“乔梦佳”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果11个，建议您升级VIP下载更多相关专利

[发明专利]一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法-CN202310597535.0在审
发明人：赫晓慧;程淅杰;乔梦佳;李盼乐;常蓬;高亚军;刘飞;田智慧 -专利权人：郑州大学
申请日： 2023-05-18 - 公布日： 2023-10-20 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于地物依赖关系的语义‑空间融合异构卷积神经网络遥感影像土地利用分类方法，本发明设计了深度卷积神经网络捕获影像中不同层次的语义特征。然后利用超像素分割算法进行图构建，通过测量相邻对象之间的依赖程度，构造加权邻接矩阵，接着利用图卷积网络提取空间信息，最后借助多头注意力机制，依据分类过程中每个阶段的语义和空间特征的贡献进行加权融合两种分支的输出特征，从而实现土地利用准确分类。利用所提出的分类方法，基于实验数据集GID、HN‑LULC进行了验证，与现有的最新、应用最广泛的分类方法相比，本发明在高分辨率遥感影像土地利用分类任务中综合表现最佳。
一种基于地物依赖关系卷积网络遥感影像土地利用并行分类方法

[发明专利]一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法-CN202310739471.3在审
发明人：赫晓慧;李盼乐;程淅杰;乔梦佳;常紫倩;高亚军;田智慧;刘飞 -专利权人：郑州大学
申请日： 2023-06-20 - 公布日： 2023-09-22 - 主分类号： G06V10/764 文献下载
摘要：本发明提供一种基于增强分类交叉熵的遥感影像鲁棒性并行分类方法。该方法包括：步骤1：构建遥感图像分类网络模型；步骤2：准备由VGI生成的训练数据集；步骤3：构建改进的分类交叉熵损失函数；步骤4：基于改进的分类交叉熵损失函数，采用训练数据集对遥感图像分类网络模型进行训练；步骤5：将待分类的遥感图像输入至训练好的遥感图像分类模型，得到分类结果。本发明利用构建的改进的分类交叉熵损失函数来训练DCNNs，该损失函数基于预测的DCNNs概率分布，通过指数函数自动调整样本的贡献，因此在处理噪声标签和学习真实标签分布方面具有优势；因此，训练好的遥感图像分类模型具有较好的遥感图像分类效果。
一种基于增强分类交叉遥感影像鲁棒性并行方法

[发明专利]一种基于光谱分解函数的双分支图卷积网络遥感图像分类方法-CN202310548676.3在审
发明人：赫晓慧;程淅杰;乔梦佳;李盼乐;杨骑凤;高亚军;刘飞;田智慧 -专利权人：郑州大学
申请日： 2023-05-15 - 公布日： 2023-09-12 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于光谱分解函数的双分支图卷积网络遥感图像并行分类方法，双支路图卷积网络（MGCN）具体包括基于超像素的光谱分解函数模块（SSM）、双支路图构建模块（MGM）和多支路特征融合模块（FFM）。首先，光谱分解模块（SSM）作为光谱同质性保证，确保初始超像素的光谱均匀性，从而增强图节点的辨别能力。在双支路图构建模块（MGM）中，基于表达节点从不同的角度构建空间邻接图和光谱相似图。最后，多支路特征融合模块（FFM）被设计用于多支路自适应特征融合，以提高特征辨别能力。相比于机器学习模型和其他最新的深度学习分类模型，本发明提出的遥感图像分类深度学习方法精度有明显提升。
一种基于光谱分解函数分支图卷网络遥感图像分类方法

[发明专利]基于深度神经网络的MODIS LAI产品数据并行优化方法-CN202310708828.1在审
发明人：赫晓慧;乔梦佳;李盼乐;程淅杰;张乐涵;田智慧;高亚军;刘飞 -专利权人：郑州大学
申请日： 2023-06-15 - 公布日： 2023-09-12 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了基于深度神经网络的MODIS LAI产品数据并行优化方法，本发明的PROSAIL模型是从光学物理角度模拟植被生长特征，建立植被反射光谱与参数之间的物理机制，模拟过程不易受植被类型不确定的影响。同时该模型能够精确模拟冠层内光学辐射和热辐射的多重散射，用于更好描述植被稀疏地区非均匀冠层的特征。本发明改进后的模型能够在不考虑植被类别的基础上，避免了低覆盖植被因地表分类不确定导致的LAI无法检索问题；本发明使用学习能力更强的DNN算法可以更好的对复杂数据进行非线性拟合，能够在光谱特征中准确发现植被叶面积指数与光谱之间的饱和过程。
基于深度神经网络 modis lai 产品数据并行优化方法

[发明专利]基于上下文信息智能融合的湖泊并行提取方法-CN202310688312.5在审
发明人：赫晓慧;乔梦佳;程淅杰;李盼乐;郭晓宇;高亚军;刘飞;田智慧 -专利权人：郑州大学
申请日： 2023-06-11 - 公布日： 2023-09-05 - 主分类号： G06V20/13 文献下载
摘要：本发明公开了基于上下文信息智能融合的湖泊并行提取方法，设计一种特征编码器获得湖泊多尺度的空间‑光谱特征，构建不同特征通道之间的相互依赖关系，以抑制背景信息的干扰，重点关注湖泊局部信息。在不同级别特征融合之前，利用多核金字塔池化模块聚合全局不同区域的上下文信息。再通过特征解码器部分逐渐恢复空间信息以捕获高原湖泊清晰的轮廓范围，最终提升湖泊像素分类的准确性。将所提网络模型在青藏高原湖泊语义数据集上进行了经验评估，以验证所提方法本文在湖泊检测精度和形态完整性方面的优异性能。构建8m空间分辨率的谷歌地球遥感影像、10m空间分辨率的Sentinel‑2卫星影像和30m空间分辨率的Landsat影像以验证MSCANet模型的泛化能力。
基于上下文信息智能融合湖泊并行提取方法

[发明专利]一种基于改进YOLOv3的遥感影像小目标检测方法-CN202310639138.5在审
发明人：赫晓慧;李盼乐;程淅杰;乔梦佳;常紫倩;高亚军;田智慧;刘飞 -专利权人：郑州大学
申请日： 2023-05-30 - 公布日： 2023-08-29 - 主分类号： G06V20/10 文献下载
摘要：本发明公开了一种于改进YOLOv3的遥感影像小目标检测方法，本发明基于原始YOLOv3算法进行了改进，首先引入MobileNet‑v3的特征提取部分，显著降低模型的计算量和参数量，减少了模型占用的存储空间，提高了检测和运行速度。其次将SPP模块和路径聚合模块融合进FPN结构，优化了网络底层特征信息的传输路径，增强了模型对于小目标的提取和定位能力。最后用CIOU损失替代原损失，进一步提升边界框的定位精度和收敛速度。对经过精细化人工标注的训练集进行数据增强和K‑means++聚类算法聚类，用于提高数据集数据的复杂性并得到更合适的先验框，增强模型的鲁棒性、收敛速度和精确度。
一种基于改进 yolov3 遥感影像目标检测方法

[发明专利]基于大批量深度学习的遥感信息智能提取方法-CN202310433063.5在审
发明人：赫晓慧;李盼乐;乔梦佳;程淅杰;高亚军;周涛;李加冕;郑紫瑞 -专利权人：郑州大学
申请日： 2023-04-20 - 公布日： 2023-08-29 - 主分类号： G06F9/50 文献下载
摘要：本发明公开了基于大批量深度学习的遥感信息智能提取方法，本发明利用LMDB与Horovod来实现遥感数据的分布式加载与大批量深度学习处理，并通过学习率预热来加快模型权重的收敛速度；本发明在分布式模型训练框架Horovod与内存映射型数据库LMDB的基础上，针对框架运行时占用内存资源较多的问题，提出了一种批量生成策略以降低内存负载；在LAMB权重更新方案的基础上，提出分层动量衰减策略与减半投影切换法则来对LAMB的前期收敛过程进行学习率自适应预热优化，以提升LAMB的收敛速度与梯度下降的准确性。
基于大批量深度学习遥感信息智能提取方法

[发明专利]一种基于多尺度注意力的遥感影像建筑物并行提取方法-CN202310635688.X在审
发明人：赫晓慧;李盼乐;程淅杰;乔梦佳;原晨桥;高亚军;田智慧;刘飞 -专利权人：郑州大学
申请日： 2023-05-31 - 公布日： 2023-08-29 - 主分类号： G06V20/13 文献下载
摘要：本发明公开了一种基于多尺度注意力的遥感影像建筑物并行提取方法，本发明设计并实现了一种结合注意力机制的建筑物提取网络MGAR。本发明利用多头注意力对高等级语义信息进行分层加权处理，以提取出表征效果较为完善的最优特征组合；而后使用门控结构将每维特征图与对应编码端的低级语义信息相融合，来弥补局部建筑物细节信息的丢失问题。
一种基于尺度注意力遥感影像建筑物并行提取方法

[发明专利]基于中央数据池的遥感信息提取模型分布式训练方法-CN202310424978.X在审
发明人：赫晓慧;李盼乐;程淅杰;乔梦佳;高亚军;李加冕;周涛;赵辉杰 -专利权人：郑州大学
申请日： 2023-04-18 - 公布日： 2023-07-18 - 主分类号： G06V10/82 文献下载
摘要：本发明公开了基于中央数据池的遥感信息提取模型分布式训练方法，本发明弃用TensorFlow的分布式训练方法，使用Horovod分布式训练框架对TensorFlow单机程序进行ring‑all‑reduce同步梯度更新全归约分布式训练，同时结合MPI跨主机通信技术和LMDB数据库数据映射技术，设计了基于构建中央数据池的数据加载优化算法，通过对数据分片并控制进程动态对从磁盘加载数据至内存的方式解决分布式训练框架各进程占用的内存资源过多的问题，提升分布式训练算法的空间效率。
基于中央数据遥感信息提取模型分布式训练方法

[发明专利]一种基于深度学习的遥感影像自动标注方法-CN201911332974.9有效
发明人：赫晓慧;李盼乐;程淅杰;邱芳冰;李志强;乔梦佳;李代栋 -专利权人：郑州大学
申请日： 2019-12-20 - 公布日： 2023-05-02 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及一种基于深度学习的遥感影像自动标注方法，包括以下步骤：将从电子地图中获取的遥感影像进行配准，获取对应遥感影像中的建筑物和道路的矢量数据；将获取的矢量数据转化为栅格影像，用于模型训练的含有噪声的数据集；通过滑动窗口将原始数据集进行剪裁，利用剪裁得到的数据集对多任务深度学习模型(MDLF)进行训练，通过对该深度神经网络进行调整，得到最优的训练模型，得到训练好的多任务深度学习模型；将待测试的遥感影像输入至深度神经网络；通过深度神经网络对测试集进行遥感影像分类输出结果，从而得到待测遥感影像的目标识别结果；本发明不需要设置大量的网络训练参数，结构简单，训练速度快。
一种基于深度学习遥感影像自动标注方法

[发明专利]基于三维循环卷积神经网络和多时相遥感影像的农作物产量预测方法-CN202210716198.8在审
发明人：赫晓慧;乔梦佳;郜利康;田智慧 -专利权人：郑州大学
申请日： 2022-06-23 - 公布日： 2022-10-21 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及一种基于三维循环卷积神经网络农作物产量预测方法，包括以下步骤：S1构建中国农作物估产数据集；S2、基于卷积神经网络和循环神经网络构建农作物估产模型空间‑光谱‑时间神经网络（SSTNN）；S3利用数据集验证农作物估产模型空间‑光谱‑时间神经网络（SSTNN）的泛化能力。本发明采用多光谱、多时相遥感影像作为数据源，结合卷积神经网络和循环神经网络各自的优势，提出了一种新的深度学习架构来进行农作物产量预测,农作物估产模型空间‑光谱‑时间神经网络（SSTNN）将空间光谱学习模块和时间依赖捕获模块集成到一个统一的神经网络中，以识别多光谱、多时相遥感影像联合空间‑光谱‑时间表示。
基于三维循环卷积神经网络多时遥感影像农作物产量预测方法

1
共 11 条