CN107392463B - 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 PDF

Info

Publication number
CN107392463B
CN107392463B CN201710586501.6A CN201710586501A CN107392463B CN 107392463 B CN107392463 B CN 107392463B CN 201710586501 A CN201710586501 A CN 201710586501A CN 107392463 B CN107392463 B CN 107392463B
Authority
CN
China
Prior art keywords
data
layer
functional area
module
level
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.)
Active
Application number
CN201710586501.6A
Other languages
English (en)
Other versions
CN107392463A (zh
Inventor
方芳
刘袁缘
罗忠文
郑卓
李宵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201710586501.6A priority Critical patent/CN107392463B/zh
Publication of CN107392463A publication Critical patent/CN107392463A/zh
Application granted granted Critical
Publication of CN107392463B publication Critical patent/CN107392463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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

一种城市功能区识别方法、模块、装置及其存储装置
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：
Figure BDA0001353668500000051
Figure BDA0001353668500000052
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 (3)

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；
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；
所述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；
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；
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；
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；
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。
2.一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所述的一种城市功能区识别方法。
3.一种存储装置，其特征在于：所述存储装置用来实现权利要求1所述的一种城市功能区识别方法。
CN201710586501.6A 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 Active CN107392463B (zh)

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 CN107392463A (zh) 2017-11-24
CN107392463B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
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
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
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

Citations (2)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
Automated identification and characterization of parcels (AICP) with OpenStreetMap and Points of Interest;ying long等;《arXiv.org》;20150530;第1-26页 *
automatic land cover classification of geo-tagged field photos by deep learning;Guang Xu等;《Environmental Modelling & Software》;20170212;第127-134页 *
Discovering Regions of Different Functions in a City Using Human Mobility and POIs;Jing Yuan等;《Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining》;20120831;第186-194页 *
基于POI数据的城市功能区定量识别及其可视化;池娇等;《测绘地理信息》;20160430;第41卷(第2期);第68-73页 *

Also Published As

Publication number Publication date
CN107392463A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
Chen et al. An edge traffic flow detection scheme based on deep learning in an intelligent transportation system
Li et al. Localizing and quantifying damage in social media images
CN107392463B (zh) 一种城市功能区识别方法、模块、装置及其存储装置
Lu et al. Image-driven fuzzy-based system to construct as-is IFC BIM objects
CN109063649B (zh) 基于孪生行人对齐残差网络的行人重识别方法
CN110598800A (zh) 一种基于人工智能的垃圾分类识别方法
US20070196013A1 (en) Automatic classification of photographs and graphics
CN113033520B (zh) 一种基于深度学习的树木线虫病害木识别方法及系统
CN109783666A (zh) 一种基于迭代精细化的图像场景图谱生成方法
CN111368690A (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN112990282B (zh) 一种细粒度小样本图像的分类方法及装置
CN107392254A (zh) 一种通过联合嵌入从像素中构造图像的语义分割方法
CN112861970A (zh) 一种基于特征融合的细粒度图像分类方法
CN104008177A (zh) 面向图像语义标注的规则库结构优化与生成方法及系统
Haznedar et al. Implementing PointNet for point cloud segmentation in the heritage context
CN114519819A (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN112668662B (zh) 基于改进YOLOv3网络的野外山林环境目标检测方法
Xie et al. Vehicle detection in open parks using a convolutional neural network
Kochakarn et al. Explainable action prediction through self-supervision on scene graphs
CN111159411B (zh) 一种融合知识图谱的文本立场分析方法、系统及存储介质
CN117475253A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN116205905A (zh) 基于移动端的配电网施工安全及质量图像检测方法及系统
Qin et al. The application of attention mechanism in semantic image segmentation
CN116912872A (zh) 图纸识别方法、装置、设备及可读存储介质

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