-
公开(公告)号：CN115661655A
公开(公告)日：2023-01-31
申请号：CN202211368443.7
申请日：2022-11-03
Applicant: 重庆市地理信息和遥感应用中心
IPC: G06V20/10 , G06V10/58 , G06V10/77 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种高光谱和高分影像深度特征融合的西南山区耕地提取方法，包括步骤：制作训练样本集；构建高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络；输入所述训练样本集对高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络进行训练；采用训练后的高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络模型对待识别测试区影像进行处理，获得耕地提取结果。其显著效果是：设计了高光谱影像和高分影像协同的双输入单输出卷积神经网络，综合利用了高分辨率影像的空间结构特征和高光谱影像的光谱特征，实现了对西南山地区域耕地的精准提取，显著提高了目标提取精度。
-
公开(公告)号：CN117315455B
公开(公告)日：2024-11-08
申请号：CN202310046948.X
申请日：2023-01-31
Applicant: 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心)
Abstract: 本发明通过高分辨的遥感影像设计云信息表征指数、自适应阈值分割初步提取云体、几何特征过滤非云对象和提纯云体、设计形态学滤云算子进一步提纯精化，最后通过云体栅格转为矢量并统计云量实现检测，相比于机器学习和深度学习云检测方法对样本数据的依赖，本发明人工参与少、自动化程度高、检测结果具有显著的云团几何形态优势，仅利用云层的亮度和几何形态特征，实现对高分辨率遥感影像自动化精准云检测，检测过程简单，可为高分辨率影像的质量检查、无云影像筛选，以及云覆盖区域的影像补采、填补生成无云影像等生产工序提供支撑，具有较强的泛化性和实用性。
-
公开(公告)号：CN117576394A
公开(公告)日：2024-02-20
申请号：CN202311538263.3
申请日：2023-11-17
Applicant: 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心)
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09 , G06T7/62
Abstract: 本发明公开了一种利用全局信息提升地类语义分割的方法，具体涉及地类语义分割技术领域，包括地类信息采集、样本划分、通用地类模型、露天矿识别模型、过滤重合、数据整合，通过构建矿区检测模型，获取图像全局语义信息，通过对遥感图像的分辨率的确定，设置降采样的比例值，得到通用地类模型分析样本，计算出地类语义分割结果A和地类语义分割结果B，使用通用地类模型作为辅助预测，融合两种模型结果，图斑轮廓，计算图斑对的重合率，过滤误检图斑，删除类别冲突的图斑对，对地类语义分割结果进行修正，将优化后的通用地类模型应用于遥感数据实际应用场景中，实现地类信息的快速提取和土地资源的高效管理。
-
公开(公告)号：CN115019123A
公开(公告)日：2022-09-06
申请号：CN202210555496.3
申请日：2022-05-20
Applicant: 中南大学 , 重庆市地理信息和遥感应用中心
IPC: G06V10/774 , G06V10/778 , G06V10/82 , G06V10/764 , G06K9/62 , G06V20/10 , G06V20/70 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种遥感图像场景分类的自蒸馏对比学习方法，包括：由结构一样的教师网络和学生网络组成长程依赖捕获主干网络模块；获取遥感图像并将图像进行全局切片、局部切片、尺度对齐及数据增强，得到同一张图像的融入尺度信息的不同版本；将全局切片图像送入教师网络、将全局切片图像和尺度对齐后的局部切片图像共同送入学生网络进行自蒸馏对比学习；获得不同版本的图片表征，再经过softmax将表征转化为概率分布，训练网络使学生网络输出的概率分布尽量匹配教师网络输出的概率分布；采用自蒸馏的方式训练神经网络模型；输出场景分类结果。本发明不依赖标签和负样本，可捕捉RSI的全局语义信息，可学习到RSI的多尺度特征。
-
公开(公告)号：CN113469052B
公开(公告)日：2022-01-11
申请号：CN202110747982.0
申请日：2021-07-02
Applicant: 重庆市地理信息和遥感应用中心
IPC: G06V20/13 , G06V10/774 , G06N3/04 , G06N3/08 , G06T7/10
Abstract: 本发明公开了一种基于多尺度特征反卷积的超分辨率建筑物精细识别方法，包括步骤：制作训练样本集；构建包括编码器模块、解码器模块、多尺度特征反卷积模块、特征融合模块与类别判定模块的超分辨率语义分割卷积神经网络；输入所述训练样本集对超分辨率语义分割卷积神经网络进行训练；采用训练后的超分辨率语义分割卷积神经网络对待识别影像进行处理，获得识别结果。其显著效果是：提出了基于多尺度特征反卷积的超分辨率语义分割网络MLSRSS‑Net，综合了编码器的多尺度初级特征反卷积上采样和解码器的高级对象语义特征反卷积上采样，实现了输入为较低空间分辨率的遥感影像，输出为高空间分辨率的建筑物语义图，显著提高了目标提取精度。
-
Patent Agency Ranking
公开(公告)号：CN113469052A
公开(公告)日：2021-10-01
申请号：CN202110747982.0
申请日：2021-07-02
Applicant: 重庆市地理信息和遥感应用中心
Abstract: 本发明公开了一种基于多尺度特征反卷积的超分辨率建筑物精细识别方法，包括步骤：制作训练样本集；构建包括编码器模块、解码器模块、多尺度特征反卷积模块、特征融合模块与类别判定模块的超分辨率语义分割卷积神经网络；输入所述训练样本集对超分辨率语义分割卷积神经网络进行训练；采用训练后的超分辨率语义分割卷积神经网络对待识别影像进行处理，获得识别结果。其显著效果是：提出了基于多尺度特征反卷积的超分辨率语义分割网络MLSRSS‑Net，综合了编码器的多尺度初级特征反卷积上采样和解码器的高级对象语义特征反卷积上采样，实现了输入为较低空间分辨率的遥感影像，输出为高空间分辨率的建筑物语义图，显著提高了目标提取精度。
-
公开(公告)号：CN118918475B
公开(公告)日：2025-04-18
申请号：CN202410983698.7
申请日：2024-07-22
Applicant: 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心)
IPC: G06V20/10 , G06V20/52 , G06V10/26 , G06V10/40 , G06V10/42 , G06V10/54 , G06V10/58 , G06V10/762 , G06V10/764 , G06V10/77 , G06V10/80
Abstract: 本发明公开了一种多维度多尺度遥感与地形特征融合的耕地非农化智能监测方法，步骤1、获取高分辨率影像、高光谱影像、DEM数据、耕地真值矢量数据、已调查监测的耕地矢量数据；步骤2、分割和聚类超像素地物对象；步骤3、以超像素地物对象为单位，提取各超像素地物对象范围内的特征；步骤4、将训练区提取的各特征组合成每个超像素地物对象的特征向量，构建超像素耕地对象训练样本数据；步骤5、训练耕地对象识别模型；步骤6、提取测试区耕地；步骤7、基于提取的测试区耕地和已调查监测的耕地矢量数据，利用空间叠置分析自动提取耕地变为非耕地的图斑，对该图斑进行优化、过滤筛选出耕地非农化图斑。本发明具有实操性、便捷性、可行性等优势。
-
公开(公告)号：CN115661655B
公开(公告)日：2024-03-22
申请号：CN202211368443.7
申请日：2022-11-03
Applicant: 重庆市地理信息和遥感应用中心
IPC: G06V20/10 , G06V10/58 , G06V10/77 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种高光谱和高分影像深度特征融合的西南山区耕地提取方法，包括步骤：制作训练样本集；构建高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络；输入所述训练样本集对高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络进行训练；采用训练后的高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络模型对待识别测试区影像进行处理，获得耕地提取结果。其显著效果是：设计了高光谱影像和高分影像协同的双输入单输出卷积神经网络，综合利用了高分辨率影像的空间结构特征和高光谱影像的光谱特征，实现了对西南山地区域耕地的精准提取，显著提高了目标提取精度。
-
公开(公告)号：CN117011698A
公开(公告)日：2023-11-07
申请号：CN202310753327.5
申请日：2023-06-25
Applicant: 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心)
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/26 , G06V20/70 , G06V10/82
Abstract: 本发明公开了一种多维度和多模型的地表全覆盖解译样本集评价方法，步骤1：构建地表覆盖解译样本集评价指标；步骤2：建立指标打分模型和泛化性评价模型；步骤3：将待评价样本集分别训练指标打分模型和泛化性评价模型，指标打分模型得到各评价指标得分；步骤4：对各评价指标得分进行交叉综合分析并加权计算得出指标评分；步骤5：构建泛化性评估测试数据集；步骤6：在泛化性评估测试数据集对泛化性评价模型进行测试，得到泛化性评分；步骤7；建立指标评分和泛化性评分的评级，若评级不同，则取较低评级为最终样本集评价。本发明从样本集自身特性和模型训练泛化性两个角度出发，使得地表覆盖解译样本集的评价更加有效、客观。
-
公开(公告)号：CN115019123B
公开(公告)日：2023-04-18
申请号：CN202210555496.3
申请日：2022-05-20
Applicant: 中南大学 , 重庆市地理信息和遥感应用中心
IPC: G06V10/774 , G06V10/778 , G06V10/82 , G06V10/764 , G06V20/10 , G06V20/70 , G06N3/0455 , G06N3/047 , G06N3/0895 , G06N3/091 , G06N3/096
Abstract: 本发明公开了一种遥感图像场景分类的自蒸馏对比学习方法，包括：由结构一样的教师网络和学生网络组成长程依赖捕获主干网络模块；获取遥感图像并将图像进行全局切片、局部切片、尺度对齐及数据增强，得到同一张图像的融入尺度信息的不同版本；将全局切片图像送入教师网络、将全局切片图像和尺度对齐后的局部切片图像共同送入学生网络进行自蒸馏对比学习；获得不同版本的图片表征，再经过softmax将表征转化为概率分布，训练网络使学生网络输出的概率分布尽量匹配教师网络输出的概率分布；采用自蒸馏的方式训练神经网络模型；输出场景分类结果。本发明不依赖标签和负样本，可捕捉RSI的全局语义信息，可学习到RSI的多尺度特征。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.076 seconds)
