-
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：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。
-
公开(公告)号：CN117315455A
公开(公告)日：2023-12-29
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：CN117036756A
公开(公告)日：2023-11-10
申请号：CN202310994138.7
申请日：2023-08-08
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: G06V10/75 , G06V10/74 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于变分自动编码器的遥感图像匹配方法及系统，包括：步骤S1：获取遥感影像图像上的待匹配图像块；步骤S2：利用变分自编码器提取所述待匹配图像块和对应遥感影像底图的特征，获得所述待匹配图像块和所述遥感影像图像的各兴趣点集；步骤S3：将各所述兴趣点集进行特征尺度和主导方向分配；步骤S4：使用归一化互相关匹配算法对所述步骤S3中特征尺度和主导方向分配后的兴趣点集进行匹配，得到匹配度矩阵得分，根据所述匹配度矩阵得分确定最佳匹配区域。本发明提高了遥感图像匹配的精度和工作效率。
-
公开(公告)号：CN114863291B
公开(公告)日：2023-08-08
申请号：CN202210416274.3
申请日：2022-04-20
Applicant: 重庆市地理信息和遥感应用中心
IPC: G06V20/13 , G06V10/762 , G06V10/764 , G06V10/58
Abstract: 本发明公开了一种基于MCL和光谱差异度量的高光谱影像波段选择方法，通过计算波段间的相关系数，构建波段间相关性的邻接矩阵，运用马尔可夫聚类自适应地将波段划分为多个聚簇，并基于聚类结果，设计目标类别监督下的波段差异性度量准则，选择出适于目标地物提取的波段集，最后利用监督分类算法，依据训练样本和测试样本确定最优波段数，实现目标地物的最高精度提取。其显著效果是：充分运用波段间邻近相关性和波段索引距离信息，并且考虑了噪声较大波段和坏道零值波段对聚类的影响，提高了波段聚簇划分的准确性和合理性，实现了选择最优波段和目标地物精准识别，具有解决实际问题的优势。
-
Patent Agency Ranking
-
公开(公告)号：CN112884791B
公开(公告)日：2021-11-26
申请号：CN202110140509.6
申请日：2021-02-02
Applicant: 重庆市地理信息和遥感应用中心
Abstract: 本发明公开了一种构建大规模遥感影像语义分割模型训练样本集的方法，将已有的遥感影像矢量数据与多期遥感影像进行配准，并依据图斑密度分别通过滑窗算法自动切割提取初级样本集；对初级样本集中每一张图像进行特征提取，并采用聚类算法进行分类，剔除图像质量不佳的样本，获得中间样本集；将中间样本集分批次输入语义分割模型进行迭代优化训练，并在每次迭代优化完成后对样本进行预测，剔除中间样本集中的错误样本，获得目标样本集。其显著效果是：能够避免生成整幅影像且占用空间极大的掩膜，减少滑窗的滑动次数，提高样本的提取速度与数据质量；提高了正确样本在样本集中的纯度，大幅降低了制作大规模样本集的成本。
-
公开(公告)号：CN118918475A
公开(公告)日：2024-11-08
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：CN118918416A
公开(公告)日：2024-11-08
申请号：CN202410983697.2
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: G06V10/774 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/40 , G06V10/44 , G06V10/54 , G06V20/10
Abstract: 本发明公开了一种基于置信学习的建筑物语义分割样本集错误样本剔除方法，包括：步骤1、将历史建筑物成果矢量和高分辨率影像裁切为S个初始建筑物语义分割样本；步骤2、提取所述样本的各样本影像特征图；步骤3、以每个样本中单像素邻域为处理单元，将初始建筑物语义分割样本转换为邻域图像块识别样本；步骤4、构建置信学习模型；步骤5、邻域图像块识别样本采用K折交叉验证估计噪声标签和真实标签的联合分布；步骤6、使用噪声标签和真实标签的联合分布查找错误标签，通过错误标签在初始建筑物语义分割样本中的占比，根据置信度阀值法估计出初始建筑物语义分割样本集中的错误样本。本发明能快速查找出建筑物语义分割样本集中的错误样本。
-
公开(公告)号：CN117011698B
公开(公告)日：2024-05-03
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。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.047 seconds)
