-
公开(公告)号：CN115909112A
公开(公告)日：2023-04-04
申请号：CN202211653085.4
申请日：2022-12-20
Applicant: 重庆大学
IPC: G06V20/17 , G06V20/10 , G06V10/80 , G06V10/82 , G06V10/77 , G06N3/084 , G06N3/0455 , G06N3/0464
Abstract: 本发明涉及一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法与系统，属于信息处理技术领域。该方法包括以下步骤：S1：获取目标区域遥感影像；S2：对获取的目标区域遥感影像进行预处理，获得训练样本数据；S3：将部分标记样本输入多尺度差分特征融合网络进行训练；S4：训练完成后对完整图像进行变化检测获得结果。本发明所述方法和系统的性能优于其他的高光谱图像农田变化检测方法，本方法可以更好地获得和分析变化成分，并且在检测细小变化方面比其他方法具有优势。
-
公开(公告)号：CN104536457B
公开(公告)日：2017-02-22
申请号：CN201410793896.3
申请日：2014-12-19
Applicant: 重庆大学
Abstract: 本发明提供一种基于小型无人机导航的滑模控制方法，包括(1)确定滑模面s(x)：滑模面代表系统的理想动态特性，选择的滑模面为非线性滑模面；(2)滑模控制器设计：使到达条件得到满足，从而使趋近运动于有限时间到达滑模面，并且在趋近的过程中快速、抖振小。本发明针对滑模控制中出现的抖振问题，重新进行了控制律设计，并对制导参数进行了优化；并分析了无人机的运动学和动力学特性，提出了一种基于滑模控制理论的非线性导航算法。实际测试结果表明，本发明给出的导航控制算法具有良好的性能指标，可跟踪任意航路点，从而可实现无人机自主飞行。
-
公开(公告)号：CN104536457A
公开(公告)日：2015-04-22
申请号：CN201410793896.3
申请日：2014-12-19
Applicant: 重庆大学
Abstract: 本发明提供一种基于小型无人机导航的滑模控制方法，包括(1)确定滑模面s(x)：滑模面代表系统的理想动态特性，选择的滑模面为非线性滑模面；(2)滑模控制器设计：使到达条件得到满足，从而使趋近运动于有限时间到达滑模面，并且在趋近的过程中快速、抖振小。本发明针对滑模控制中出现的抖振问题，重新进行了控制律设计，并对制导参数进行了优化；并分析了无人机的运动学和动力学特性，提出了一种基于滑模控制理论的非线性导航算法。实际测试结果表明，本发明给出的导航控制算法具有良好的性能指标，可跟踪任意航路点，从而可实现无人机自主飞行。
-
公开(公告)号：CN101770584A
公开(公告)日：2010-07-07
申请号：CN200910250850.6
申请日：2009-12-30
Applicant: 重庆大学
Abstract: 本发明提供一种高光谱遥感数据鉴别特征提取方法，包括如下步骤：高光谱遥感图像数据读入计算机；将读入的高光谱遥感图像中每一个数据点根据其波段生成一个向量，从而整幅高光谱遥感图像构成一个矩阵，作为训练样本集；从训练样本集中选取部分数据点进行已知地物类别的标注，生成样本类别标签；在部分数据点的地物类别已知的前提下，通过训练样本集构建相似图和相异图来度量数据点的相似性与相异性；根据构建的相似图和相异图分别计算权重矩阵；计算局部相似结构矩阵和相异结构矩阵；通过目标优化函数计算投影矩阵；通过投影矩阵将高光谱遥感数据投影到低维嵌入空间，实现高光谱数据鉴别特征的提取。它有效解决高光谱数据中的本征流形结构和鉴别特征提取问题。
-
公开(公告)号：CN115861619A
公开(公告)日：2023-03-28
申请号：CN202211639217.8
申请日：2022-12-20
Applicant: 重庆大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统，属于计算机视觉技术领域，该方法包括以下步骤：S1：获取目标区域点云；S2：对获取的目标区域点云进行预处理，获得训练样本数据和测试样本数据；S3：将带标记的训练样本输入递归残差双注意力核点卷积网络进行训练；S4：训练完成后对测试样本进行语义分割并获得结果。本发明所述方法和系统的性能优于其他的机载LiDAR城市点云语义分割方法，本方法和系统可以更好地获得和分析机载LiDAR城市点云，并且在分割类别非平衡点云方面比其他方法具有优势。
-
Patent Agency Ranking
公开(公告)号：CN104615142B
公开(公告)日：2017-04-26
申请号：CN201410799775.X
申请日：2014-12-19
Applicant: 重庆大学
IPC: G05D1/10 , G05B19/042
Abstract: 本发明提供基于民用小型无人机的飞行控制器，包括飞行控制微处理器、GPS模块、舵机驱动模块、传感器、数据存储模块、电源以及地面测控模块；形成一个资源统一调度分配、各部分相互协同运作的数字控制系统。它针对民用无人机中体积小、重量轻、结构简洁、可靠性高等要求，给出了一种以STM32F103RE微控制器为核心的小型无人机的硬件系统设计方案，并详细介绍了系统整体方案设计以及主要的功能模块。在小型固定翼无人机上飞行实验验证了设计方案的可行性和可靠性，并设计精炼、低成本、可靠性高，适合批量生产使用。
-
公开(公告)号：CN104615142A
公开(公告)日：2015-05-13
申请号：CN201410799775.X
申请日：2014-12-19
Applicant: 重庆大学
IPC: G05D1/10 , G05B19/042
Abstract: 本发明提供基于民用小型无人机的飞行控制器，包括飞行控制微处理器、GPS模块、舵机驱动模块、传感器、数据存储模块、电源以及地面测控模块；形成一个资源统一调度分配、各部分相互协同运作的数字控制系统。它针对民用无人机中体积小、重量轻、结构简洁、可靠性高等要求，给出了一种以STM32F103RE微控制器为核心的小型无人机的硬件系统设计方案，并详细介绍了系统整体方案设计以及主要的功能模块。在小型固定翼无人机上飞行实验验证了设计方案的可行性和可靠性，并设计精炼、低成本、可靠性高，适合批量生产使用。
-
公开(公告)号：CN101770584B
公开(公告)日：2011-11-09
申请号：CN200910250850.6
申请日：2009-12-30
Applicant: 重庆大学
Abstract: 本发明提供一种高光谱遥感数据鉴别特征提取方法，包括如下步骤：高光谱遥感图像数据读入计算机；将读入的高光谱遥感图像中每一个数据点根据其波段生成一个向量，从而整幅高光谱遥感图像构成一个矩阵，作为训练样本集；从训练样本集中选取部分数据点进行已知地物类别的标注，生成样本类别标签；在部分数据点的地物类别已知的前提下，通过训练样本集构建相似图和相异图来度量数据点的相似性与相异性；根据构建的相似图和相异图分别计算权重矩阵；计算局部相似结构矩阵和相异结构矩阵；通过目标优化函数计算投影矩阵；通过投影矩阵将高光谱遥感数据投影到低维嵌入空间，实现高光谱数据鉴别特征的提取。它有效解决高光谱数据中的本征流形结构和鉴别特征提取问题。
-
公开(公告)号：CN104751191B
公开(公告)日：2017-11-03
申请号：CN201510197492.2
申请日：2015-04-23
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明提供一种稀疏自适应半监督多流形学习的高光谱影像分类方法，其提出了半监督稀疏多流形学习维数约简算法和最近邻多流形分类算法，该方法仅通过对数据样本中的少量数据点进行标注，并结合部分未标注数据点来进行学习，能很好地揭示出蕴藏在高维数据的内在属性以及多流形结构，提取出具有更好鉴别性能的低维嵌入特征，从而改善分类效果，提高对高光谱遥感影像中地物类别的分类精度，因此能够有效的解决稀疏流形聚类与嵌入算法的“样本外学习”和遥感图像标记类别标签困难的问题；同时，在PaviaU数据集上的实验结果表明，与现有技术中所常用的识别方法相比，本发明方法具有更好的分类效果。
-
公开(公告)号：CN104751191A
公开(公告)日：2015-07-01
申请号：CN201510197492.2
申请日：2015-04-23
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明提供一种稀疏自适应半监督多流形学习的高光谱影像分类方法，其提出了半监督稀疏多流形学习维数约简算法和最近邻多流形分类算法，该方法仅通过对数据样本中的少量数据点进行标注，并结合部分未标注数据点来进行学习，能很好地揭示出蕴藏在高维数据的内在属性以及多流形结构，提取出具有更好鉴别性能的低维嵌入特征，从而改善分类效果，提高对高光谱遥感影像中地物类别的分类精度，因此能够有效的解决稀疏流形聚类与嵌入算法的“样本外学习”和遥感图像标记类别标签困难的问题；同时，在PaviaU数据集上的实验结果表明，与现有技术中所常用的识别方法相比，本发明方法具有更好的分类效果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
