-
公开(公告)号：CN115631162A
公开(公告)日：2023-01-20
申请号：CN202211293435.0
申请日：2022-10-21
Applicant: 云南省地质环境监测院(云南省环境地质研究院) , 广东南方数码科技股份有限公司 , 中南大学
Abstract: 本发明提供了一种滑坡隐患识别方法，涉及滑坡灾害隐患识别技术领域，包括：获取目标区域的多源图像数据，多源图像数据包括光学遥感影像、SAR影像、DEM数据、归一化植被指数以及地表覆盖类型；对多源图像数据进行通道叠加处理，得到多通道影像；将所述多通道影像分割为多个子图像，并将多个子图像逐个输入滑坡隐患预测模型中进行滑坡预测，得到每个子图像所对应的子区域存在滑坡隐患的概率；识别出概率大于预设概率阈值的子图像，该子图像所对应的子区域为目标区域中存在滑坡隐患的区域；识别出概率大于预设概率阈值的子图像，该子图像为目标区域存在滑坡隐患的区域；解决了现有技术滑坡隐患识别结果精准度不高的问题。
-
公开(公告)号：CN115879300A
公开(公告)日：2023-03-31
申请号：CN202211568643.7
申请日：2022-12-08
Applicant: 广东南方数码科技股份有限公司 , 中南大学
IPC: G06F30/20 , G06F18/214
Abstract: 本申请提供了一种滑坡诱发性估算方法、装置、电子设备及存储介质，涉及数据处理技术领域，其中，该滑坡诱发性估算方法包括：采集滑坡相关的多源动态诱发因素，根据所述多源动态诱发因素，生成模型训练样本，采用所述模型训练样本以及预设基础模型，训练获取滑坡诱发性估算模型。其中，本申请实施例中选用的多源动态诱发因素可以包括多个维度，例如历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据，从而实现在对滑坡进行诱发性估算时，获取更为精确的结果。
-
公开(公告)号：CN114708521B
公开(公告)日：2025-03-25
申请号：CN202210372812.3
申请日：2022-04-07
Applicant: 中南大学
IPC: G06V20/20 , G06V10/25 , G06V10/764 , G06V10/82 , G06F16/951 , G06F16/9537 , G06Q10/04 , G06Q50/26 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明提供了一种基于街景图像目标关系感知网络的城市功能区识别方法及系统，包括：获取街景图像，并对所述街景图像进行随机水平翻转、随机几何变换和随机颜色抖动操作，增强训练数据；根据所述训练数据构建训练数据集，将训练集街景图像输入到基于图的关系感知网络中进行训练，得到训练后的城市功能区识别模型；对街景图像进行空间关系感知，根据得到的城市功能区类型对所述街景图像进行识别；获取到研究区域范围内的POI数据，对所述POI数据进行分类，并基于POI数据得到城市功能区分类；能够模拟人类识别和推理过程，捕捉街景图像中的局部空间关系和全局语义关系，增强城市功能区检测器的能力。
-
公开(公告)号：CN114926622B
公开(公告)日：2024-11-01
申请号：CN202210399493.5
申请日：2022-04-15
Applicant: 中南大学 , 山东卓智软件股份有限公司
IPC: G06V10/22 , G06V10/42 , G06V10/766 , G06V10/77 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/0895 , G06T7/00
Abstract: 本发明提出了一种少样本目标检测方法、电子设备及计算机介质，本发明以目标检测算法的候选框中的特征作为对比学习的第一对比特征；将少样本训练数据中的实例目标提取的多尺度实例特征作为模型对比学习的第二对比特征；将两种对比特征进行对比学习，进而提升少样本目标检测网络的特征表达能力，削弱遥感影像目标方向和尺度对精度的影响。本发明的优点是，针对多尺度的对比学习设计了多尺度候选框对比损失函数，用于对比学习自监督训练，消除用于对比学习的两种对比特征之间的尺度差异。
-
公开(公告)号：CN118351446A
公开(公告)日：2024-07-16
申请号：CN202410514013.4
申请日：2024-04-26
Applicant: 江西省国土空间调查规划研究院 , 中南大学 , 江西省自然资源测绘与监测院
Abstract: 本发明涉及遥感影像技术领域，具体涉及一种顾及方向‑连通性的道路网络优化处理方法，其中，方向引导的道路信息推理模块利用道路的结构和方向特点，从不同的方向对断裂道路进行空间信息推理，促使模型能够有效地建模不同行或列之间的空间关系，从而修复断裂的道路。后处理网络模型同时输出道路面和道路方向的预测结果，并利用道路语义标签信息进行损失监督，增强后处理网络模型的推理能力，提升道路面的提取精度。此外，本发明中后处理网络模型的输入中包含初始分割结果，在后处理网络模型中使用编码器‑解码器结构和跳跃连接时不会导致狭窄道路丢失和无关噪声信息的引入，从而得到更为精细的道路分割图和道路方向图。
-
Patent Agency Ranking
公开(公告)号：CN111103162B
公开(公告)日：2024-07-16
申请号：CN202010010128.1
申请日：2020-01-06
Applicant: 中南大学
Abstract: 本发明公开了一种基于热力耦合的钢交错桁架结构抗火分析装置,包括钢结构交错桁架模型、将冲击荷载施加在钢结构交错桁架模型顶层楼板上的动力冲击部件、将火源点设置在钢结构交错桁架模型任意楼板上的环形热荷载施加部件、将静力荷载施加在钢结构交错桁架模型任意楼板上的多层静力荷载部件。本发明增加了不同实验条件设置的灵活性和多样性，也降低了实验的准备时间和工作强度，可用于开展热‑力偶作用下的钢交错桁架安全试验，分析不同火源条件、不同荷载作用下的力学响应规律和破坏机制，为钢结构交错桁架结构在在火灾下可能发生的倒塌行为提供可行性优化措施。
-
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。
-
公开(公告)号：CN113487546B
公开(公告)日：2024-04-02
申请号：CN202110707356.9
申请日：2021-06-25
Applicant: 中南大学 , 温州市勘察测绘研究院
IPC: G06T7/00 , G06T3/4046 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种特征‑输出空间双对齐的变化检测方法，通过设计特征空间对齐，对前后时相的高层特征的相关性进行建模，拉近未变化区域像素在特征空间上的差异，使网络提取到未变化区域的高层特征趋于一致，以减弱伪变化问题对变化检测精度的影响；通过设计输出空间对齐，添加判别器，让变化检测结果和Ground truth进行对抗性学习，编码包括外观、形状和上下文在内的多种视觉线索，使预测的变化检测结果分布接近Ground truth的分布，提升变化预测图的质量。
-
公开(公告)号：CN109033984B
公开(公告)日：2022-04-05
申请号：CN201810698016.2
申请日：2018-06-29
Applicant: 中南大学
Abstract: 本发明公开了一种夜间雾快速自动检测方法，首先获取亮温差数据；对亮温差数据做canny边缘检测获取边缘混合像元，统计边缘混合像元直方图，拟合边缘混合像元直方图的一阶偏导数曲线，一阶偏倒数曲线中位于(‑2k，2k)范围内的0值点为混合像元中地表像元形成的峰PL，取峰PL左侧所有混合像元亮温和差均值作为雾与晴空地表的分离阈值，若一阶偏导数曲线中(‑2k，2k)范围内未检测到0值点，则使用固定值‑3k作为雾与地表分离阈值，获取低层云和雾检测结果；最后利用多天红外数据合成晴空底图阈值法去除影像中的低层云。本发明是当前具有高时间分辨率的静止卫星数据的条件下的一种可准确、自动实现夜间雾提取的方法。
-
公开(公告)号：CN113487546A
公开(公告)日：2021-10-08
申请号：CN202110707356.9
申请日：2021-06-25
Applicant: 中南大学 , 温州市勘察测绘研究院
Abstract: 本发明提供一种特征‑输出空间双对齐的变化检测方法，通过设计特征空间对齐，对前后时相的高层特征的相关性进行建模，拉近未变化区域像素在特征空间上的差异，使网络提取到未变化区域的高层特征趋于一致，以减弱伪变化问题对变化检测精度的影响；通过设计输出空间对齐，添加判别器，让变化检测结果和Ground truth进行对抗性学习，编码包括外观、形状和上下文在内的多种视觉线索，使预测的变化检测结果分布接近Ground truth的分布，提升变化预测图的质量。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.118 seconds)
