-
公开(公告)号：CN111968088B
公开(公告)日：2023-09-15
申请号：CN202010820826.8
申请日：2020-08-14
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06V10/26 , G06V20/13 , G06V20/70 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于像素和区域分割决策融合的建筑物检测方法，分别构建引入残差结构的基于像素分割模型和引入特征金字塔网络的基于区域双分割模型；从光学遥感数据集中生成训练样本集和测试样本集；对训练集样本中的图像进行预处理；用加入Dice loss和交叉熵损失的混合监督损失训练像素分割模型；将测试样本集输入到训练结束的双分割网络中，分别输出测试样本集的预测结果；根据决策方案融合双分割网络的预测结果，输出测试样本集的最终检测结果，完成检测。本发明关注大型建筑的空间一致性的同时，保留了小型建筑的多尺度特征，保证了建筑物特征的丰富性，提高了建筑物检测准确率。
-
公开(公告)号：CN116434075A
公开(公告)日：2023-07-14
申请号：CN202310227880.5
申请日：2023-03-09
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V20/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明提出了一种基于多级伪关系学习的光学遥感影像地物分类方法，用于解决在地物分类中现有自训练方法忽视像素点之间潜在联系的问题，实现步骤为：从远程设备获取待分类的光学遥感影像以及构建多级伪关系网络模型，通过构建源域关系学习损失、目标域像素级伪关系损失、源域局部patch级伪关系损失和目标域局部patch级伪关系损失，得到优化模型的优化目标函数，然后利用训练集对模型进行训练，最后对光学遥感影像分类。本发明通过多级伪关系学习实现了光学遥感图像地物分类，提升了分类效果，弥补了自训练方法的不足，可用于城市规划、土地利用和环境检测等应用领域。
-
公开(公告)号：CN111968088A
公开(公告)日：2020-11-20
申请号：CN202010820826.8
申请日：2020-08-14
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于像素和区域分割决策融合的建筑物检测方法，分别构建引入残差结构的基于像素分割模型和引入特征金字塔网络的基于区域双分割模型；从光学遥感数据集中生成训练样本集和测试样本集；对训练集样本中的图像进行预处理；用加入Dice loss和交叉熵损失的混合监督损失训练像素分割模型；将测试样本集输入到训练结束的双分割网络中，分别输出测试样本集的预测结果；根据决策方案融合双分割网络的预测结果，输出测试样本集的最终检测结果，完成检测。本发明关注大型建筑的空间一致性的同时，保留了小型建筑的多尺度特征，保证了建筑物特征的丰富性，提高了建筑物检测准确率。
-
公开(公告)号：CN110532914A
公开(公告)日：2019-12-03
申请号：CN201910768818.0
申请日：2019-08-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于精细特征学习的建筑物检测方法。其实现步骤为：构造稠密卷积网络，生成训练样本集和测试样本集，对样本集中的图像进行预处理，利用稠密卷积块提取光学遥感图像的精细特征图，使用自顶向下的方法融合特征图，用融合边缘的深监督损失训练稠密卷积网络，最后将测试样本送入训练好的稠密卷积网络得到最终检测结果。本发明利用构建的稠密卷积网络提取光学遥感图像的精细特征图，利用融合边缘的深监督损失训练稠密卷积网络，在保证建筑物特征丰富性的条件下减少了内存占用量，提高了建筑物检测准确率。
-
-
-
Search Results
4
records
(took 0.029 seconds)
