-
公开(公告)号：CN118298182B
公开(公告)日：2024-08-20
申请号：CN202410711203.5
申请日：2024-06-04
申请人： 江西师范大学
IPC分类号： G06V10/26 , G06V20/10 , G06V10/20 , G06V10/764 , G06V10/774 , G06V10/82
摘要： 本申请涉及遥感技术领域，具体公开一种基于跨分辨率语义分割的耕地地块遥感制图方法及系统，包括获取高分辨率遥感影像数据，进行预处理及将预处理后影像数据进行划分得到影像数据样本；获取多源低分辨率土地利用数据，生成相对一致性的低分辨率耕地标签样本；构建跨分辨率语义分割模型，根据多尺度特征编码模块、边缘特征增强模块、特征解码模块与耕地置信区域优化模块从遥感影像生成耕地地块置信区域与模糊预测区域；基于耕地地块置信区域、模糊预测区域及标签样本，建立混合损失函数；对跨分辨率语义分割模型进行训练，基于训练后的跨分辨率语义分割模型进行耕地地块分割预测及精度验证，提升大规模耕地地块遥感制图的精度与自动化水平。
-
公开(公告)号：CN118298182A
公开(公告)日：2024-07-05
申请号：CN202410711203.5
申请日：2024-06-04
申请人： 江西师范大学
IPC分类号： G06V10/26 , G06V20/10 , G06V10/20 , G06V10/764 , G06V10/774 , G06V10/82
摘要： 本申请涉及遥感技术领域，具体公开一种基于跨分辨率语义分割的耕地地块遥感制图方法及系统，包括获取高分辨率遥感影像数据，进行预处理及将预处理后影像数据进行划分得到影像数据样本；获取多源低分辨率土地利用数据，生成相对一致性的低分辨率耕地标签样本；构建跨分辨率语义分割模型，根据多尺度特征编码模块、边缘特征增强模块、特征解码模块与耕地置信区域优化模块从遥感影像生成耕地地块置信区域与模糊预测区域；基于耕地地块置信区域、模糊预测区域及标签样本，建立混合损失函数；对跨分辨率语义分割模型进行训练，基于训练后的跨分辨率语义分割模型进行耕地地块分割预测及精度验证，提升大规模耕地地块遥感制图的精度与自动化水平。
-
公开(公告)号：CN118691914B
公开(公告)日：2024-11-05
申请号：CN202411196532.7
申请日：2024-08-29
申请人： 江西师范大学
IPC分类号： G06V10/764 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/084
摘要： 本发明涉及图像识别处理领域，提出了一种基于协作网络的高分辨率地表覆被遥感分类方法及系统，通过设计一种协作网络，根据局部特征编码模块和全局特征编码模块进行局部覆被特征和全局覆被特征的增强，以获取更多的局部特征信息和全局特征信息，进而提高分类预测的精确性，再设计一种特征解码模块进行多个空间尺度的地表覆被分类预测，并通过设计一种多尺度加权损失函数，根据覆被类型中值频率与对比度因子建立多重加权的损失函数并应用于不同尺度的地表覆被分类预测，以提升少数类与困难类覆被类型的识别能力，进而提高整体分类预测的精确性，最终进行精度验证以输出最终地表覆被分类预测结果，本发明极大地提高了地表覆被分类监测的精确性。
-
公开(公告)号：CN118230176A
公开(公告)日：2024-06-21
申请号：CN202410644415.6
申请日：2024-05-23
申请人： 江西师范大学
IPC分类号： G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N20/20
摘要： 本发明公开了基于多源遥感与时空深度集成学习的湿地分类方法及系统，涉及遥感技术领域，该方法包括：获取多源遥感数据并进行预处理以建立湿地分类样本数据，再划分为训练集和测试集；构建包括特征集成编码模块和特征集成解码模块的时空深度集成分类模型，基于改进的2‑D卷积分支网络、改进的3‑D卷积分支网络与LSTM循环分支网络建立特征集成编码模块，根据多分支解码块和集成决策块建立特征集成解码模块；建立混合损失函数以优化该分类模型；将测试集输入优化后的分类模型以输出湿地覆被分类结果。该方法能够解决单一的遥感数据源或者深度模型难以有效挖掘湿地的多样化复杂特征，导致在整体分类精度上不能满足实际需求的问题。
-
公开(公告)号：CN118691914A
公开(公告)日：2024-09-24
申请号：CN202411196532.7
申请日：2024-08-29
申请人： 江西师范大学
IPC分类号： G06V10/764 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/084
摘要： 本发明涉及图像识别处理领域，提出了一种基于协作网络的高分辨率地表覆被遥感分类方法及系统，通过设计一种协作网络，根据局部特征编码模块和全局特征编码模块进行局部覆被特征和全局覆被特征的增强，以获取更多的局部特征信息和全局特征信息，进而提高分类预测的精确性，再设计一种特征解码模块进行多个空间尺度的地表覆被分类预测，并通过设计一种多尺度加权损失函数，根据覆被类型中值频率与对比度因子建立多重加权的损失函数并应用于不同尺度的地表覆被分类预测，以提升少数类与困难类覆被类型的识别能力，进而提高整体分类预测的精确性，最终进行精度验证以输出最终地表覆被分类预测结果，本发明极大地提高了地表覆被分类监测的精确性。
-
公开(公告)号：CN118230176B
公开(公告)日：2024-08-23
申请号：CN202410644415.6
申请日：2024-05-23
申请人： 江西师范大学
IPC分类号： G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N20/20
摘要： 本发明公开了基于多源遥感与时空深度集成学习的湿地分类方法及系统，涉及遥感技术领域，该方法包括：获取多源遥感数据并进行预处理以建立湿地分类样本数据，再划分为训练集和测试集；构建包括特征集成编码模块和特征集成解码模块的时空深度集成分类模型，基于改进的2‑D卷积分支网络、改进的3‑D卷积分支网络与LSTM循环分支网络建立特征集成编码模块，根据多分支解码块和集成决策块建立特征集成解码模块；建立混合损失函数以优化该分类模型；将测试集输入优化后的分类模型以输出湿地覆被分类结果。该方法能够解决单一的遥感数据源或者深度模型难以有效挖掘湿地的多样化复杂特征，导致在整体分类精度上不能满足实际需求的问题。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.03 秒)
