-
公开(公告)号：CN112052783A
公开(公告)日：2020-12-08
申请号：CN202010909322.3
申请日：2020-09-02
Applicant: 中南大学
Abstract: 本发明提供了一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法，包括训练数据准备、深层特征提取、边界特征融合、像素语义关联度学习、损失函数计算和生成建筑物伪标注；通过设计边界注意模块，将超像素先验信息和网络提取的边界信息相结合，强化了建筑物边界特征，且通过学习像素之间的语义关联性，将像素间的语义信息在图像中进行有效传播，生成更为完整密集，边界更为清晰的伪标签。同时配合高分遥感影像采用全卷积网络模型训练，实现建筑物特征自动提取。
-
公开(公告)号：CN117036938A
公开(公告)日：2023-11-10
申请号：CN202310980312.2
申请日：2023-08-04
Applicant: 湖南中科星图信息技术股份有限公司 , 中南大学 , 长沙市规划信息服务中心
IPC: G06V20/10 , G06V10/86 , G06V10/44 , G06V10/774
Abstract: 本发明公开了一种融合空间、语义和时序特征的建筑物变化检测方法，首先建立建筑物识别语义分割模型和建筑物变化检测模型，两个模型的特征提取模块具有相同的框架。建筑物识别语义分割模型以一期影像作为输入，利用现有的公开建筑物数据集对建筑物识别语义分割模型进行训练和验证，实现建筑物特征提取模块参数的预训练。然后利用模型迁移学习算法将预训练模型参数赋值给变化检测模型对应的建筑物特征提取模块；在此基础上，利用公开的和自建的建筑物变化检测样本实现建筑物变化检测模型的训练和测试验证，并最终进行模型应用。本发明提出的方法充分利用各类样本数据，扩展性强，为持续提高建筑物变化检测精度和泛化能力提供了一种新途径。
-
公开(公告)号：CN118537242A
公开(公告)日：2024-08-23
申请号：CN202410454196.5
申请日：2024-04-16
Applicant: 湖南中科星图信息技术股份有限公司 , 中南大学
IPC: G06T5/60 , G06N3/045 , G06N3/0455 , G06N3/0475 , G06N3/048 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种顾及耕地类型和耕种状态的遥感影像样本增强方法，首先构建用于模型训练和验证的样本集，然后设计了一种条件生成对抗网络，由生成器G和判别器D两部分组成。在训练过程中，利用生成器G将源域影像转换为目标域影像，再转换回源域影像，同时利用判别器D判断源域影像、生成的目标域影像和生成的源域影像的真假、耕地类型和耕种状态，并基于交叉熵损失函数计算9个损失，利用Hubber损失函数计算循环一致性损失；考虑各损失对生成器G和判别器D不同模块优化的贡献，并基于Adam优化器分别实现生成器G和判别器D对应模块的优化。本发明利用生成器G，基于源域影像，并指定目标域，即可实现耕地样本扩充，增加样本的质量、数量和多样性。
-
公开(公告)号：CN112052783B
公开(公告)日：2024-04-09
申请号：CN202010909322.3
申请日：2020-09-02
Applicant: 中南大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06V10/26 , G06N3/0464 , G06T3/4007 , G06T7/194
Abstract: 本发明提供了一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法，包括训练数据准备、深层特征提取、边界特征融合、像素语义关联度学习、损失函数计算和生成建筑物伪标注；通过设计边界注意模块，将超像素先验信息和网络提取的边界信息相结合，强化了建筑物边界特征，且通过学习像素之间的语义关联性，将像素间的语义信息在图像中进行有效传播，生成更为完整密集，边界更为清晰的伪标签。同时配合高分遥感影像采用全卷积网络模型训练，实现建筑物特征自动提取。
-
-
-
Search Results
4
records
(took 0.016 seconds)
