CN107392463A - 一种城市功能区识别方法、模块、装置及其存储装置 - Google Patents
一种城市功能区识别方法、模块、装置及其存储装置 Download PDFInfo
- Publication number
- CN107392463A CN107392463A CN201710586501.6A CN201710586501A CN107392463A CN 107392463 A CN107392463 A CN 107392463A CN 201710586501 A CN201710586501 A CN 201710586501A CN 107392463 A CN107392463 A CN 107392463A
- Authority
- CN
- China
- Prior art keywords
- data
- level
- module
- layer
- functional areas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种城市功能区识别方法、模块、装置及其存储装置。其中,一种城市功能区识别方法包括数据获取装置获取数据并对数据做预处理;数据分类装置对部分预处理后的数据进行分类,该步骤中采用了CNN(卷积神经网络)模型;区域划分装置对部分预处理后的数据进行划分;识别装置对划分后的数据进行识别并结合分类后的数据生成功能区;叠加装置对所述功能区进行叠加。模块和装置包括数据获取模块及装置、数据分类模块及装置、区域划分模块及装置、识别模块及装置、叠加模块及装置。这些模块、装置及存储装置均用来实现一种城市功能区识别方法。本发明可以用于精确识别城市功能区,为城市的科学发展制定合理的规划。
Description
技术领域
本发明涉及计算机领域,具体涉及一种城市功能区识别方法、模块、装置及其存储装置。
背景技术
城市功能区识别是环境研究、空间规划、城市管理等一系列应用的重要基础,城市功能区域的合理划分有助于合理规划把握城市空间结构,为城市制定科学的发展规划。然而,传统的城市功能区域划分主要基于实地调查或由遥感技术辅助实现等方法,这些方法存在主观性强、时效性差且需要耗费大量的人力和财力等问题。
发明内容
为了解决上述问题,本发明提供了一种城市功能区识别方法、模块、装置及其存储装置。所述方法是基于Geo-tagged照片与OSM的城市功能区自动识别,通过使用Geo-tagged照片场景语义信息,结合OSM多层道路网,自动获得城市功能分区。
本发明的技术方案是:提出了一种城市功能区识别方法,具体步骤包括数据获取装置获取数据并对数据做预处理;数据分类装置对部分预处理后的数据进行分类;区域划分装置对部分预处理后的数据进行划分;识别装置对划分后的数据进行识别并结合分类后的数据生成功能区;叠加装置对所述功能区进行叠加。一种城市功能区识别的模块,具体包括数据获取模块、数据分类模块、区域划分模块、识别模块及叠加模块;所述数据获取模块、数据分类模块、区域划分模块、识别模块及叠加模块一起用来实现所述的一种城市功能区识别方法。一种城市功能区识别的装置,具体包括数据获取装置、数据分类装置、区域划分装置、识别装置及叠加装置;所述数据获取装置、数据分类装置、区域划分装置、识别装置及叠加装置一起用来实现所述的一种城市功能区识别方法。一种存储装置,所述存储装置用来实现所述的一种城市功能区识别方法。
本发明的有益效果是:本发明提供了一种城市功能区识别方法、模块、装置及其存储装置,通过使用VGI信息克服了现有技术中存在的主观性强、时效性差且需要耗费大量的人力和财力等问题。同时,本发明可以用于精确识别城市功能区,为城市的科学发展制定合理的规划。
附图说明
图1是本发明实施例的总体方法流程图;
图2是本发明实施例中数据获取装置获取数据并对数据做预处理的具体实施步骤流程图;
图3是本发明实施例中数据分类装置对部分预处理后的数据进行分类的具体实施步骤流程图;
图4是本发明实施例中区域划分装置对部分预处理后的数据进行划分的具体实施步骤流程图;
图5是本发明实施例中识别装置对划分后的数据进行识别并结合分类后的数据生成功能区的具体实施步骤流程图;
图6是本发明实施例中叠加装置对所述功能区进行叠加的具体实施步骤流程图;
图7是本发明实施例的软件模块工作流程示意图;
图8是本实施例的硬件装置工作流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述,下文中提到的具体技术细节,如:方法,设备等,仅为使读者更好的理解技术方案,并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了一种城市功能区识别方法、模块、装置及其存储装置,相关内容的具体实施例请参阅图1,图1是本发明方法部分的总体实施步骤,包括:
S101:数据获取装置获取数据并对数据做预处理;
S102:数据分类装置对部分预处理后的数据进行分类;
S103:区域划分装置对部分预处理后的数据进行划分;
S104:识别装置对划分后的数据进行识别并结合分类后的数据生成功能区,具体包括:所述功能区可以为城市功能区;
S105:叠加装置对所述功能区进行叠加。
参见图2,图2是本实施例中数据获取装置获取数据并对数据做预处理的具体实施步骤流程图,包括:
S201:数据获取装置获取照片并统一设定所述照片的格式,具体包括:数据获取装置从Flickr、Panoramio和Geograph等网站下载研究区Geo-tagged照片数据;数据获取装置对Geo-tagged照片进行格式化;
S202:数据获取装置获取道路网数据,具体包括:数据获取装置从OpensStreetMap网站(http://www.openstreetmap.org/)获取研究区OSM道路网数据。
参见图3,图3是本实施例中数据分类装置对部分预处理后的数据进行分类的具体实施步骤流程图,包括:
S301:数据分类装置获取经实际检验过的CNN模型的网络卷积层特征值,具体包括:数据分类装置利用已在ImageNet上训练的CNN模型提取网络卷积层特征;
S302:数据分类装置使用所述CNN模型中卷积层和池化层对所述照片进行处理,具体包括:将S301中的CNN模型中卷积层和池化层的部分作为Geo-tagged照片数据集特征提取器,其中卷积层、池化层参数设定为所述S301中预训练得到的模型参数;
S303:所述卷积层的特征值采用所述CNN模型的网络卷积层特征值;
S304:所述池化层采用所述CNN模型的池化层;
S305:数据分类装置经过所述卷积层和池化层处理照片后得到若干维的特征向量,具体包括:数据分类装置经过所述卷积层和池化层处理照片后得到2048维的特征向量;
S306:数据分类装置采用加权多项逻辑回归模型对所述特征向量进行分类并得到照片场景分类结果,具体包括:数据分类装置利用加权多项逻辑回归模型,对S305提取到的特征向量进行分类,得到所述Geo-tagged照片场景分类结果(商业、住宅、公共机构、工业、水体、空地等)。
参见图4,图4是本实施例中区域划分装置对部分预处理后的数据进行划分的具体实施步骤流程图,包括:
S401:区域划分装置对所述道路网数据根据道路的级别划分为三个层级;
S402:区域划分装置定义所述三个层级依次为一级层级、二级层级和三级层级;
S403:区域划分装置在所述三个层级的基础上对所述道路网数据网格化,得到三个层级的道路网格。
参见图5,图5是本实施例中识别装置对划分后的数据进行识别并结合分类后的数据生成功能区的具体实施步骤流程图,包括:
S501:识别装置计算出每个所述道路网格内的每种类型照片的频数密度及类型比例,具体包括:识别装置对于每个所述道路网格构建指标频数密度FD(Frequency Density)和类型比例CR(Category Ratio),计算公式为:
其中,i表示Geo-tagged照片的类型;ni表示网格内第i种类型照片的数量;Ni表示第i种类型照片总数;Fi表示第i种类型照片占该类型照片总数的频数密度;Ci表示第i种类型照片的频数密度占网格内所有类型照片的频数密度的比例;
S502:识别装置设定类型比例阈值,所述类型比例阈值为50%;
S503:识别装置将所述类型比例与所述类型比例阈值做比较得到比较结果,具体包括:识别装置以所述类型比例阈值50%作为判断单元功能性质的标准,当单元内某一种类型的照片比例占到50%及以上时,即确定该单元为单一功能区,功能区类别由该照片类型而定,如商业区、住宅区等;而当单元内所有类型的照片比例均没有达到50%时,即确定该功能区单元为混合功能区,混合类型取决于单元内2种最主要的照片类型,如商住混合区等;当单元内不包含照片时,即CR值为空时,将区标记为未分类区域;
S504:识别装置根据所述比较结果及所述三个层级的道路网格定性三个层级的功能区图层为一级层级功能区图层、二级层级功能区图层及三级层级功能区图层。
参见图6,图6是本实施例中叠加装置对所述功能区进行叠加的具体实施步骤流程图,包括:
S601:叠加装置将所述一级层级功能区图层放置在最底层;
S602:叠加装置将所述二级层级功能区图层放置在所述一级层级功能区图层之上;
S603:叠加装置将所述三级层级功能区图层放置在所述二级层级功能区图层之上;
S604:叠加装置根据所述三级层级功能区图层的功能属性定义叠加区域的功能属性。
参见图7,图7是本实施例的软件模块工作流程示意图,具体包括:
数据获取模块701、数据分类模块702、区域划分模块703、识别模块704及叠加模块705。
数据获取模块701:数据获取模块701获取数据并对数据做预处理,具体包括数据获取模块701获取照片并统一设定所述照片的格式;数据获取模块701获取道路网数据。
数据分类模块702:数据分类模块702对部分预处理后的数据进行分类,具体包括数据分类模块702获取经实际检验过的CNN模型的网络卷积层特征值;数据分类模块702使用所述CNN模型中卷积层和池化层对所述照片进行处理;所述卷积层的特征值采用所述CNN模型的网络卷积层特征值;所述池化层采用所述CNN模型的池化层;数据分类模块702经过所述卷积层和池化层处理照片后得到若干维的特征向量;数据分类模块702采用加权多项逻辑回归模型对所述特征向量进行分类并得到照片场景分类结果。
区域划分模块703:区域划分模块703对部分预处理后的数据进行划分,具体包括区域划分模块703对所述道路网数据根据道路的级别划分为三个层级;区域划分模块703定义所述三个层级依次为一级层级、二级层级和三级层级;所述区域划分模块703在所述三个层级的基础上对所述道路网数据网格化,得到三个层级的道路网格。
识别模块704:识别模块704对划分后的数据进行识别并结合分类后的数据生成功能区,具体包括识别模块704计算出每个所述道路网格内的每种类型照片的频数密度及类型比例;识别模块704设定类型比例阈值,所述类型比例阈值为50%;识别模块704将所述类型比例与所述类型比例阈值做比较得到比较结果;识别模块704根据所述比较结果及所述三个层级的道路网格定性三个层级的功能区图层为一级层级功能区图层、二级层级功能区图层及三级层级功能区图层。
叠加模块705:叠加模块705对所述功能区进行叠加,具体包括叠加模块705将所述一级层级功能区图层放置在最底层;叠加模块705将所述二级层级功能区图层放置在所述一级层级功能区图层之上;叠加模块705将所述三级层级功能区图层放置在所述二级层级功能区图层之上;叠加模块705根据所述三级层级功能区图层的功能属性定义叠加区域的功能属性。
参见图8,图8是本实施例的硬件装置工作流程示意图,具体包括:
数据获取装置801、数据分类装置802、区域划分装置803、识别装置804、叠加装置805及存储装置806。
数据获取装置801:数据获取装置801获取数据并对数据做预处理,具体包括数据获取装置801获取照片并统一设定所述照片的格式;数据获取装置801获取道路网数据。
数据分类装置802:数据分类装置802对部分预处理后的数据进行分类,具体包括数据分类装置802获取经实际检验过的CNN模型的网络卷积层特征值;数据分类装置802使用所述CNN模型中卷积层和池化层对所述照片进行处理;所述卷积层的特征值采用所述CNN模型的网络卷积层特征值;所述池化层采用所述CNN模型的池化层;数据分类装置802经过所述卷积层和池化层处理照片后得到若干维的特征向量;数据分类装置802采用加权多项逻辑回归模型对所述特征向量进行分类并得到照片场景分类结果。
区域划分装置803:区域划分装置803对部分预处理后的数据进行划分,具体包括区域划分装置803对所述道路网数据根据道路的级别划分为三个层级;区域划分装置803定义所述三个层级依次为一级层级、二级层级和三级层级;所述区域划分装置803在所述三个层级的基础上对所述道路网数据网格化,得到三个层级的道路网格。
识别装置804:识别装置804对划分后的数据进行识别并结合分类后的数据生成功能区,具体包括识别装置804计算出每个所述道路网格内的每种类型照片的频数密度及类型比例;识别装置804设定类型比例阈值,所述类型比例阈值为50%;识别装置804将所述类型比例与所述类型比例阈值做比较得到比较结果;识别装置804根据所述比较结果及所述三个层级的道路网格定性三个层级的功能区图层为一级层级功能区图层、二级层级功能区图层及三级层级功能区图层。
叠加装置805:叠加装置805对所述功能区进行叠加,具体包括叠加装置805将所述一级层级功能区图层放置在最底层;叠加装置805将所述二级层级功能区图层放置在所述一级层级功能区图层之上;叠加装置805将所述三级层级功能区图层放置在所述二级层级功能区图层之上;叠加装置805根据所述三级层级功能区图层的功能属性定义叠加区域的功能属性。
存储装置806:存储装置806存储整个识别过程中需要存储的所有数据、程序代码等,用来实现所述一种城市功能区识别方法。
通过执行本发明的实施例,本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术,本发明的实施例提供了一种城市功能区识别方法、模块、装置及其存储装置,通过使用VGI信息克服了现有技术中存在的主观性强、时效性差且需要耗费大量的人力和财力等问题。同时,本发明的方案可以用于精确识别城市功能区,有助于为城市的科学发展制定合理的规划。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种城市功能区识别方法,其特征在于:包括以下步骤:数据获取装置获取数据并对数据做预处理;数据分类装置对部分预处理后的数据进行分类;区域划分装置对部分预处理后的数据进行划分;识别装置对划分后的数据进行识别并结合分类后的数据生成功能区;叠加装置对所述功能区进行叠加。
2.如权利要求1所述的一种城市功能区识别方法,其特征在于:
所述数据获取装置获取数据并对数据做预处理包括以下步骤:数据获取装置获取照片并统一设定所述照片的格式;数据获取装置获取道路网数据。
3.如权利要求2所述的一种城市功能区识别方法,其特征在于:
所述数据分类装置对部分预处理后的数据进行分类包括以下步骤:数据分类装置获取经实际检验过的CNN模型的网络卷积层特征值;数据分类装置使用所述CNN模型中卷积层和池化层对所述照片进行处理;所述卷积层的特征值采用所述CNN模型的网络卷积层特征值;所述池化层采用所述CNN模型的池化层;数据分类装置经过所述卷积层和池化层处理照片后得到若干维的特征向量;数据分类装置采用加权多项逻辑回归模型对所述特征向量进行分类并得到照片场景分类结果。
4.如权利要求2所述的一种城市功能区识别方法,其特征在于:
所述区域划分装置对部分预处理后的数据进行划分包括以下步骤:所述区域划分装置对所述道路网数据根据道路的级别划分为三个层级;区域划分装置定义所述三个层级依次为一级层级、二级层级和三级层级;所述区域划分装置在所述三个层级的基础上对所述道路网数据网格化,得到三个层级的道路网格。
5.如权利要求4所述的一种城市功能区识别方法,其特征在于:
所述识别装置对划分后的数据进行识别并结合分类后的数据生成功能区包括以下步骤:所述识别装置计算出每个所述道路网格内的每种类型照片的频数密度及类型比例;所述识别装置设定类型比例阈值,所述类型比例阈值为50%;所述识别装置将所述类型比例与所述类型比例阈值做比较得到比较结果;所述识别装置根据所述比较结果及所述三个层级的道路网格定性三个层级的功能区图层为一级层级功能区图层、二级层级功能区图层及三级层级功能区图层。
6.如权利要求5所述的一种城市功能区识别方法,其特征在于:
所述叠加装置对所述功能区进行叠加包括以下步骤:所述叠加装置将所述一级层级功能区图层放置在最底层;所述叠加装置将所述二级层级功能区图层放置在所述一级层级功能区图层之上;所述叠加装置将所述三级层级功能区图层放置在所述二级层级功能区图层之上;所述叠加装置根据所述三级层级功能区图层的功能属性定义叠加区域的功能属性。
7.如权利要求1所述的一种城市功能区识别方法,其特征在于:所述功能区为城市功能区。
8.一种城市功能区识别的模块,其特征在于:包括:数据获取模块、数据分类模块、区域划分模块、识别模块及叠加模块;所述数据获取模块、数据分类模块、区域划分模块、识别模块及叠加模块一起用来实现权利要求1~7所述的一种城市功能区识别方法。
9.一种城市功能区识别的装置,其特征在于:包括:数据获取装置、数据分类装置、区域划分装置、识别装置及叠加装置;所述数据获取装置、数据分类装置、区域划分装置、识别装置及叠加装置一起用来实现权利要求1~7所述的一种城市功能区识别方法。
10.一种存储装置,其特征在于:所述存储装置用来实现权利要求1~7所述的一种城市功能区识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586501.6A CN107392463B (zh) | 2017-07-18 | 2017-07-18 | 一种城市功能区识别方法、模块、装置及其存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586501.6A CN107392463B (zh) | 2017-07-18 | 2017-07-18 | 一种城市功能区识别方法、模块、装置及其存储装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392463A true CN107392463A (zh) | 2017-11-24 |
CN107392463B CN107392463B (zh) | 2021-01-01 |
Family
ID=60340918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710586501.6A Active CN107392463B (zh) | 2017-07-18 | 2017-07-18 | 一种城市功能区识别方法、模块、装置及其存储装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392463B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657602A (zh) * | 2018-12-17 | 2019-04-19 | 中国地质大学(武汉) | 基于街景数据和迁移学习的自动城市功能分区方法及系统 |
CN110766589A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种基于通信数据与兴趣点数据推断城市功能的方法 |
CN110866156A (zh) * | 2019-11-26 | 2020-03-06 | 北京明略软件系统有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
CN112733782A (zh) * | 2021-01-20 | 2021-04-30 | 中国科学院地理科学与资源研究所 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200223A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院城市环境研究所 | 一种基于高分辨率遥感影像的城市功能区识别方法 |
CN106951828A (zh) * | 2017-02-22 | 2017-07-14 | 清华大学 | 一种基于卫星影像和网络的城市区域功能属性的识别方法 |
-
2017
- 2017-07-18 CN CN201710586501.6A patent/CN107392463B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200223A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院城市环境研究所 | 一种基于高分辨率遥感影像的城市功能区识别方法 |
CN106951828A (zh) * | 2017-02-22 | 2017-07-14 | 清华大学 | 一种基于卫星影像和网络的城市区域功能属性的识别方法 |
Non-Patent Citations (4)
Title |
---|
GUANG XU等: "automatic land cover classification of geo-tagged field photos by deep learning", 《ENVIRONMENTAL MODELLING & SOFTWARE》 * |
JING YUAN等: "Discovering Regions of Different Functions in a City Using Human Mobility and POIs", 《PROCEEDINGS OF THE 18TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING》 * |
YING LONG等: "Automated identification and characterization of parcels (AICP) with OpenStreetMap and Points of Interest", 《ARXIV.ORG》 * |
池娇等: "基于POI数据的城市功能区定量识别及其可视化", 《测绘地理信息》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657602A (zh) * | 2018-12-17 | 2019-04-19 | 中国地质大学(武汉) | 基于街景数据和迁移学习的自动城市功能分区方法及系统 |
CN110766589A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种基于通信数据与兴趣点数据推断城市功能的方法 |
CN110866156A (zh) * | 2019-11-26 | 2020-03-06 | 北京明略软件系统有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
CN110866156B (zh) * | 2019-11-26 | 2022-05-17 | 北京明略软件系统有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
CN112733782A (zh) * | 2021-01-20 | 2021-04-30 | 中国科学院地理科学与资源研究所 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
CN112733782B (zh) * | 2021-01-20 | 2022-02-11 | 中国科学院地理科学与资源研究所 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107392463B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392463A (zh) | 一种城市功能区识别方法、模块、装置及其存储装置 | |
CN101539930B (zh) | 一种相关反馈图像检索方法 | |
Sun et al. | Scene image classification method based on Alex-Net model | |
CN102324038B (zh) | 一种基于数字图像的植物种类识别方法 | |
CN110188209A (zh) | 基于层次标签的跨模态哈希模型构建方法、搜索方法及装置 | |
CN106067094A (zh) | 一种动态评估方法及系统 | |
CN107273295B (zh) | 一种基于文本混乱度的软件问题报告分类方法 | |
CN110457677A (zh) | 实体关系识别方法及装置、存储介质、计算机设备 | |
CN103839183A (zh) | 智能授信方法及智能授信装置 | |
CN113034506B (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
CN102819747B (zh) | 林业业务图像自动分类方法 | |
CN112367273A (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
CN111400572A (zh) | 一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法 | |
Wang et al. | Remote-sensing image retrieval by combining image visual and semantic features | |
CN104933621A (zh) | 一种担保圈的大数据分析系统和方法 | |
CN114238524B (zh) | 基于增强样本模型的卫星频轨数据信息抽取方法 | |
CN115659966A (zh) | 基于动态异构图和多级注意力的谣言检测方法及系统 | |
Mahami et al. | Material recognition for automated progress monitoring using deep learning methods | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN110196911B (zh) | 一种民生数据自动分类管理系统 | |
US20240037911A1 (en) | Image classification method, electronic device, and storage medium | |
CN111859936A (zh) | 一种基于深度混合网络的面向跨域立案的法律文书专业管辖权识别方法 | |
CN111144453A (zh) | 构建多模型融合计算模型的方法及设备、网站数据识别方法及设备 | |
CN106775694A (zh) | 一种软件配置代码制品的层次分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |