-
公开(公告)号：CN113378731A
公开(公告)日：2021-09-10
申请号：CN202110670431.9
申请日：2021-06-17
Applicant: 武汉大学
Abstract: 本发明提供一种基于卷积神经网络和边缘约束能量优化的端到端的绿地水系矢量提取方法，设计适用于遥感影像的绿地水系提取网络架构。该架构包括遥感影像上下文特征抽取与融合，实现待处理区域影像基础特征抽取；在抽取丰富特征的基础上，结合卷积层和上采样层，并采用端到端的以能量优化迭代的方式，得到较精细且平滑的绿地水系边缘；最终使用全连接层或图卷积层微调至精细的绿地水系边缘。另外，本发明采用两种损失交叉熵和Dice损失用于绿地水系的语义识别，并在全卷积网络端和边缘能量约束优化端对识别结果进行约束，以及提出多层坐标点匹配损失函数实现对轮廓点的约束，使得模型能够让预测的结点更好地接近真值轮廓点。
-
公开(公告)号：CN119625513A
公开(公告)日：2025-03-14
申请号：CN202411064496.9
申请日：2024-08-05
Applicant: 武汉大学
Abstract: 本申请涉及一种基于扩散模型的建筑物矢量拓扑结构提取方法和装置，方法包括：将待提取遥感影像输入至预先构建的扩散模型得到待提取遥感影像的建筑物矢量拓扑结构，其中，预先构建的扩散模型由初始扩散模型优化得到，初始扩散模型由预设的同构训练策略训练多层级扩散Transformer网络和边特征偏置的图扩散Transformer网络后构建得到。由此，解决了传统的扩散模型的结构由于邻接矩阵为稀疏矩阵，上下采样操作造成信息损失，不适用于邻接矩阵的学习和预测，并且传统的扩散模型由于噪声采样过程的随机性，导致建筑物矢量提取结果不精确，并且传统的扩散模型训练在判别任务上容易过拟合的问题，能够实现卫星或航空遥感影像的建筑物矢量拓扑结构的自动提取。
-
Patent Agency Ranking
公开(公告)号：CN116402942A
公开(公告)日：2023-07-07
申请号：CN202310194010.2
申请日：2023-03-02
Applicant: 武汉大学
IPC: G06T17/00 , G06N3/0464 , G06N3/045 , G06T15/06 , G06N3/08
Abstract: 本发明公开了一种融合多尺度图像特征的大规模建筑物三维重建方法，包括如下步骤：遥感数据选取和预处理；构建基本网络模块及残差网络模块，用于获得阴影标量、不确定性预测值、反射光颜色以及环境光色彩；向基本网络模块输入最高层次图像对应的光线，逐层向残差网络模块中输入其他尺度图像对应的光线，每一个图像对应的光线输入到一个残差网络模块，然后将所有残差网络模块的结果融合得到一个统一的输出，最后将残差网络模块统一的输出与基本网络模块的输出结果进行融合得到最终输出结果，通过最终输出结果计算得到目标对象对应点的深度和对应像素的颜色，并通过构建的损失函数更新网络权重；利用训练好的网络实现待重建遥感图像的三维重建。
-
公开(公告)号：CN115830179A
公开(公告)日：2023-03-21
申请号：CN202211706712.6
申请日：2022-12-29
Applicant: 武汉大学
IPC: G06T11/20 , G06T7/11 , G06V10/774 , G06V10/80 , G06V10/46 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/08 , G06N3/047
Abstract: 本发明公开了一种类别无关的遥感地物矢量拓扑结构提取方法，包括：步骤1，建立训练集样本库；步骤2，构建与类别无关的遥感地物矢量拓扑结构提取模型，TopDiG模型，所述TopDiG模型通过卷积网络提取地物的低层次拓扑特征，生成预测结点和视觉描述子，然后采用动态标签监督策略，根据预测结点动态地生成邻接图标签，最后基于Transformer的有向邻接图生成器预测地物拓扑结构；步骤3，设计多任务约束的损失函数，对步骤2中的TopDiG模型进行训练；步骤4，利用训练好的TopDiG模型对影像预测库进行遥感地物提取，即可得到遥感影像目标地物矢量拓扑结构。本方法可以直接从输入影像中得到地物矢量拓扑结构，避免了栅格转矢量过程的信息损失与复杂计算。
-
公开(公告)号：CN113869172B
公开(公告)日：2024-10-15
申请号：CN202111106138.6
申请日：2021-09-22
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种大幅面遥感影像的深度学习框架模块设计与构建方法。本发明设计了智能模型的中间层表示和编译优化模块以使通用深度学习框架融合遥感特性，具备大幅面遥感影像的智能解译能力，具体流程为：输入的智能处理模型，经过中间层表示和编译优化模块的大幅面特性处理使之具备了处理大幅面影像的能力，转换后的模型使用影像数据训练后，最终输出具有大幅面特性的模型训练出的参数。另外本发明还设计了大幅面遥感影像的数据切分并行模块，用于将输入的大幅面影像经数据增强，沿H/W维度切分，下发至多张训练卡上。本发明使用中间层表示和编译优化的方法进行优化后，使框架具备大幅面遥感影像训练和推理的能力。
-
公开(公告)号：CN113378731B
公开(公告)日：2022-04-15
申请号：CN202110670431.9
申请日：2021-06-17
Applicant: 武汉大学
Abstract: 本发明提供一种基于卷积神经网络和边缘约束能量优化的端到端的绿地水系矢量提取方法，设计适用于遥感影像的绿地水系提取网络架构。该架构包括遥感影像上下文特征抽取与融合，实现待处理区域影像基础特征抽取；在抽取丰富特征的基础上，结合卷积层和上采样层，并采用端到端的以能量优化迭代的方式，得到较精细且平滑的绿地水系边缘；最终使用全连接层或图卷积层微调至精细的绿地水系边缘。另外，本发明采用两种损失交叉熵和Dice损失用于绿地水系的语义识别，并在全卷积网络端和边缘能量约束优化端对识别结果进行约束，以及提出多层坐标点匹配损失函数实现对轮廓点的约束，使得模型能够让预测的结点更好地接近真值轮廓点。
-
公开(公告)号：CN113869172A
公开(公告)日：2021-12-31
申请号：CN202111106138.6
申请日：2021-09-22
Abstract: 本发明提供了一种大幅面遥感影像的深度学习框架模块设计与构建方法。本发明设计了智能模型的中间层表示和编译优化模块以使通用深度学习框架融合遥感特性，具备大幅面遥感影像的智能解译能力，具体流程为：输入的智能处理模型，经过中间层表示和编译优化模块的大幅面特性处理使之具备了处理大幅面影像的能力，转换后的模型使用影像数据训练后，最终输出具有大幅面特性的模型训练出的参数。另外本发明还设计了大幅面遥感影像的数据切分并行模块，用于将输入的大幅面影像经数据增强，沿H/W维度切分，下发至多张训练卡上。本发明使用中间层表示和编译优化的方法进行优化后，使框架具备大幅面遥感影像训练和推理的能力。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
