-
公开(公告)号：CN108446616B
公开(公告)日：2021-09-03
申请号：CN201810193120.6
申请日：2018-03-09
申请人： 西安电子科技大学
摘要： 本发明提出一种基于全卷积网络集成学习的道路提取方法，旨在得到道路连贯，路网结构完整，查全率高的道路提取结果。实现步骤为：首先在现有遥感数据库中选取样本集并划分测试样本和训练样本，其次训练一个以交叉熵为损失函数的全卷积神经网，接着改变损失函数正样本惩罚权值，在前一个网络的网络模型参数基础上进行调优，得到不同惩罚权值损失函数的全卷积神经网络，再利用训练得到全卷积神经网络进行道路提取，得到不同全卷积网络的道路提取结果，最后依据空间一致性原则，对不同的提取结果按照基于空间一致性的集成策略进行集成，输出最终的结果图。本发明能够改善道路提取结果的查全率，鲁棒性强。
-
公开(公告)号：CN109946673B
公开(公告)日：2022-12-02
申请号：CN201910300995.6
申请日：2019-04-15
申请人： 西安电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开了一种基于蒙特卡洛树搜索的网络化雷达节点遴选方法，主要解决现有技术对资源不加筛选，使得数据采集量和信号处理压力过大，节点资源浪费的问题。其实现方案是：1)确定节点遴选输入参数并定义蒙特卡洛搜索树中树节点属性；2)根据输入参数和节点属性构建一棵蒙特卡洛搜索树,得到一组遴选方案；3)计算得到的遴选方案性能，并对此次搜索中所有访问过的节点修改属性；4)根据修改后的节点属性判断遴选是否结束；5)未结束时更新起始根节点返回2)。本发明通过对现有资源加以筛选，降低了数据采集量和信号处理压力，避免了节点资源浪费，减小了空间增益损失，可用于物流和通信网中资源的筛选。
-
公开(公告)号：CN109946673A
公开(公告)日：2019-06-28
申请号：CN201910300995.6
申请日：2019-04-15
申请人： 西安电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开了一种基于蒙特卡洛树搜索的网络化雷达节点遴选方法，主要解决现有技术对资源不加筛选，使得数据采集量和信号处理压力过大，节点资源浪费的问题。其实现方案是：1)确定节点遴选输入参数并定义蒙特卡洛搜索树中树节点属性；2)根据输入参数和节点属性构建一棵蒙特卡洛搜索树,得到一组遴选方案；3)计算得到的遴选方案性能，并对此次搜索中所有访问过的节点修改属性；4)根据修改后的节点属性判断遴选是否结束；5)未结束时更新起始根节点返回2)。本发明通过对现有资源加以筛选，降低了数据采集量和信号处理压力，避免了节点资源浪费，减小了空间增益损失，可用于物流和通信网中资源的筛选。
-
公开(公告)号：CN108446616A
公开(公告)日：2018-08-24
申请号：CN201810193120.6
申请日：2018-03-09
申请人： 西安电子科技大学
摘要： 本发明提出一种基于全卷积网络集成学习的道路提取方法，旨在得到道路连贯，路网结构完整，查全率高的道路提取结果。实现步骤为：首先在现有遥感数据库中选取样本集并划分测试样本和训练样本，其次训练一个以交叉熵为损失函数的全卷积神经网，接着改变损失函数正样本惩罚权值，在前一个网络的网络模型参数基础上进行调优，得到不同惩罚权值损失函数的全卷积神经网络，再利用训练得到全卷积神经网络进行道路提取，得到不同全卷积网络的道路提取结果，最后依据空间一致性原则，对不同的提取结果按照基于空间一致性的集成策略进行集成，输出最终的结果图。本发明能够改善道路提取结果的查全率，鲁棒性强。
-
-
-
搜索结果
4 条记录 (耗时 0.021 秒)
