CN115115885B - 一种保留重要极值点的格拉姆角场转换的用地分类方法 - Google Patents
一种保留重要极值点的格拉姆角场转换的用地分类方法 Download PDFInfo
- Publication number
- CN115115885B CN115115885B CN202210767018.9A CN202210767018A CN115115885B CN 115115885 B CN115115885 B CN 115115885B CN 202210767018 A CN202210767018 A CN 202210767018A CN 115115885 B CN115115885 B CN 115115885B
- Authority
- CN
- China
- Prior art keywords
- land
- population
- time series
- series data
- points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004321 preservation Methods 0.000 claims 1
- 230000007704 transition Effects 0.000 claims 1
- 230000004931 aggregating effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本发明公开了一种保留重要极值点的格拉姆角场转换的用地分类方法，涉及城市规划、城市交通技术领域，包括：步骤1、提取研究区内所有表征用地人口数量的时间序列数据；步骤2、确定所有表征用地人口数量的时间序列数据的重要极值点；步骤3、根据重要极值点和人口数量的时间序列数据的分段区间值，聚合用地人口数量的时间序列分布数据；步骤4、对分段后的人口数量的时间序列数据中分段区间内的人口数量进行归一化；步骤5、生成极坐标数据；步骤6、生成格拉姆角场和或格拉姆角场差；步骤7、构建二维图像，并对所构建的全部二维图像进行图像深度学习分类。本发明能够实现城市用地的人口数量分布时间序列数据转换为图像，进而完成用地分类处理。
Description
技术领域
本发明涉及城市规划、旅游规划、城市交通、复杂网络建模技术领域，特别是一种保留重要极值点的格拉姆角场转换的用地分类方法。
背景技术
城市用地的人口数量时间序列数据能够反映出用地的功能分布特征，不同类型城市用地的人口数量分布具有在时间序列上具有着独特的特征。因此，对城市用地的人口数量时间序列数据进行聚类处理，可以实现用地的分类处理。
当前，图像深度学习进行分类具有速度快、精度高等优势。时间序列数据若能转换为图像，那么则能利用图像深度学习算法开展用地的分类计算。格拉姆角场转换算法具有将一维的时间序列数据转换为二维图像的能力。然而，利用格拉姆角场转换算法进行转换时，如何保留一维时间序列数据的重要极值点信息缺乏有效的技术方案。与此同时，针对大批量的一维时间序列数据，如何从整体中选择出合适的重要极值点仍然是一个技术难点问题。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种保留重要极值点的格拉姆角场转换的用地分类方法，本发明能够从批量时间序列数据中提取出重要极值点信息，并以此实现城市用地的人口数量分布时间序列数据转换为图像，进而完成用地分类处理。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种保留重要极值点的格拉姆角场转换的用地分类方法，包括以下步骤：
步骤1、提取研究区内所有表征用地人口数量的时间序列数据；
步骤2、使用高斯混合模型GMM方法和贝叶斯信息准则BIC来确定所有表征用地人口数量的时间序列数据的重要极值点；
步骤3、根据重要极值点和人口数量的时间序列数据的分段区间值，聚合用地人口数量的时间序列分布数据，得到分段后的用地人口数量的时间序列数据和新的时间戳；其中，分段区间值是预先设定的；
步骤4、针对每个用地人口数量的时间序列数据，对分段后的用地人口数量的时间序列数据中分段区间内的人口数量进行归一化，得到新的人口数量，所得新的人口数量被记为缩放值；
步骤5、针对每个用地人口数量的时间序列数据，将新的时间戳作为半径，将缩放值的反余弦值作为角度来生成极坐标数据；
步骤6、进一步针对每个用地人口数量的时间序列数据，利用所生成的极坐标数据，生成格拉姆角场和GASF或格拉姆角场差GADF；
步骤7、以新的时间戳为图像的横纵坐标值，以GASF或者GADF为图像的像素值，对每个用地人口数量的时间序列数据构建二维图像，并对所构建的全部二维图像进行图像深度学习分类，以实现研究区的用地分类处理。
作为本发明所述的一种保留重要极值点的格拉姆角场转换的用地分类方法进一步优化方案，步骤1具体如下：针对研究区内所有用地人口数量，按照时间间隔k进行统计，使得研究区内每个用地都对应一个人口数量的时间序列数据，从而得到研究区内所有表征用地人口数量的时间序列数据。
作为本发明所述的一种保留重要极值点的格拉姆角场转换的用地分类方法进一步优化方案，步骤2具体如下：
步骤2.1、采用高斯混合模型GMM方法对每个用地人口数量的时间序列数据进行聚类处理；
步骤2.2、基于贝叶斯信息准则BIC确定步骤2.1中每个用地人口数量的时间序列数据的最佳聚类数；
步骤2.3、根据最佳聚类数，利用python语言中ksdensity函数，对每个用地人口数量的时间序列数据计算其概率密度曲线的局部极值点；
步骤2.4、汇集所有用地人口数量的时间序列分布数据的概率密度曲线的局部极值点，并对汇集后的局部极值点进行频率分布统计计算，得到局部极值点的频率分布集；
步骤2.5、再采用高斯混合模型GMM方法对局部极值点的频率分布集进行聚类处理，并通过贝叶斯信息准则BIC确定最佳聚类数；利用python语言中ksdensity函数，对局部极值点的频率分布集计算其概率密度曲线的局部极值点；此次所得的局部极值点即为所有表征用地人口数量的时间序列数据的重要极值点。
作为本发明所述的一种保留重要极值点的格拉姆角场转换的用地分类方法进一步优化方案，步骤3具体如下：
步骤3.1、针对每个用地人口数量的时间序列数据进行分段：首先，将重要极值点按照预设的第一分段区间值K进行分段，保证每个重要极值点与相邻的时间点都是在同一个分段区间内；其次，将不是重要极值点的时间点按照预设的第二分段区间值M进行分段；最后，时间序列数据中若还存在单独的时间点，则按照第三区间值进行分段处理；其中，K=m×k，M=n×k，n为正整数，且m大于等于n；
步骤3.2、完成每个用地人口数量的时间序列数据分段处理后，将步骤3.1得到的每个分段区间采用新的时间戳；新的时间戳计算方法为：取分段区间内多个时间点的平均值为新的时间戳。
作为本发明所述的一种保留重要极值点的格拉姆角场转换的用地分类方法进一步优化方案，第三区间值为1。
作为本发明所述的一种保留重要极值点的格拉姆角场转换的用地分类方法进一步优化方案，步骤中1中按照一定时间间隔进行统计时，人口数量是每个时间间隔内人口数量的总和。
作为本发明所述的一种保留重要极值点的格拉姆角场转换的用地分类方法进一步优化方案，步骤6中，将每对所生成的极坐标数据相加，然后取余弦值，所得结果即为格拉姆角场和GASF；若将每对所生成的极坐标数据减，然后取余弦值，所得结果即为格拉姆角场差GADF。
作为本发明所述的一种保留重要极值点的格拉姆角场转换的用地分类方法进一步优化方案，步骤7中图像深度学习分类包括基于DNN的ResNet50模型。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
（1）本发明提供了一种保留重要极值点的格拉姆角场转换的用地分类方法，可以从批量时间序列数据中提取出重要极值点信息；
（2）本发明基于格拉姆角场转换、高斯混合模型（GMM）方法和贝叶斯信息准则（BIC）等方法，提出了一种保留重要极值点的格拉姆角场转换的用地分类方法。
附图说明
图1是本发明的整体流程示意图。
图2是城市用地的人口数量时间序列数据对应情况示意图。
图3是城市用地的人口数量时间序列数据的分段表达意图。
图4是重要极值点计算流程示意图。
图5是重新分段处理过程示意图。
图6是新时间戳结果示意图。
图7是生成极坐标数据结果示意图。
图8是时间序列数据转换为二维图像结果示意图；其中，（a）为一种用地的二维图像结果，（b）为另外一种用地的二维图像结果。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
步骤1）参见附图1，提取研究区内所有表征用地人口数量的时间序列分布数据；
步骤1.1）参见附图2，针对研究区内所有用地的人口数量，按照时间间隔k进行统计；该步骤中按照一定时间间隔进行统计时，人口数量是每个时间间隔内人口总数量的总和。
步骤1.2）最终使得每个研究区内用地都对应一个人口数量时间序列数据；
参见附图3，按照一天24小时所提取出的某一个用地人口数量的时间序列分布数据，每个小时进行一次人口总数量的总和计算。
步骤2）参见附图4，使用高斯混合模型（GMM）方法和贝叶斯信息准则（BIC）来确定所提取的时间序列分布数据的重要极值点；
步骤2.1）采用高斯混合模型（GMM）方法对每个用地的人口数量时间序列数据进行聚类处理。高斯混合模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。
步骤2.2）基于贝叶斯信息准则（BIC）确定步骤2.1中每个用地的人口数量时间序列数据的最佳聚类数；BIC准则（BIC criterion）又称贝叶斯信息准则，与AIC准则（赤池信息准则）类似，用于模型的选择。很多参数估计问题均采用似然函数作为目标函数，当训练数据足够多时，可以不断提高模型精度，但是以提高模型复杂度为代价的，同时带来一个机器学习中非常普遍的问题——过拟合。所以，模型选择问题在模型复杂度与模型对数据集描述能力（即似然函数）之间寻求最佳平衡。BIC是从拟合角度，选择一个对现有数据拟合最好的模型。
步骤2.3）根据最佳聚类数，利用python语言中“ksdensity”函数计算的概率密度曲线的局部极值点；
步骤2.4）汇集所有用地的人口数量的时间序列分布数据的局部极值点。在完成所有局部极值点的频率统计计算后，再利用步骤2.1~2.3求出整个研究区用地人口数量时间序列分布数据的重要极值点。
一般而言，所有用地的人口数量的时间序列分布数据的局部极值点很多，需要从中提取出重要的极值点。为此，在本发明中提出再做进一步的局部极值点的频率统计，进而又可以利用步骤2.1~2.3求出所有用地的人口数量的时间序列分布数据的局部极值点的重要极值点。
步骤3）根据重要极值点和时间序列的分段区间值，聚合用地人口数量时间序列分布数据以减小大小。
步骤3.1）针对每个用地的人口数量时间序列数据，重要极值点按照分段区间值K来进行分段。分段后所剩的其他部分，按照分段区间值M进行分段；若分段过程中存在单独的时间点，则按照区间值1进行分段处理；该步骤中K=m×k，M=n×k，其中n为正整数，且m大于等于n。
图5的示例为k=1，m=3，n=2的分段处理结果。该示例说明了设置的m比n值大，则可以更好地保留和汇集重要极值点周边的信息，进而保留住原始数据的重要特征信息。
步骤3.2、完成每个用地的人口数量时间序列数据分段处理后，每个分段采用新的时间戳。新的时间戳计算方法为：取分段内多个时间点的平均值为新的时间戳。
参见附图6，其展示了新时间戳结果示意图，原先是1，2,3,4，…，24共24个时间戳，转换为了1.5,3.5，6，8，10,12.5，15,17.5,20,22.5,24，共11个时间戳。
步骤4、针对每个用地的人口数量时间序列数据，按照区间[0,1]对步骤3中每个分段区间值进行归一化处理，所得新的人口数量被记为缩放值。
步骤5、参见附图7，针对每个用地的人口数量时间序列数据，将新时间戳作为半径，将缩放值的反余弦值作为角度来生成极坐标数据。
步骤6、进一步针对每个用地的人口数量时间序列数据，生成格拉姆角和场（记为GASF）或格拉姆角差场（记为GADF）。该步骤中将每对值相加（相减），然后取余弦值后进行求和汇总；其中，若使用两角和的cos函数则得到GASF，若使用两角差的cos函数则得到GADF。
步骤7、参见附图8，图8中的（a）为一种用地的二维图像结果，图8中的（b）为另外一种用地的二维图像结果。以新的时间序列时间戳，为图像的横纵坐标值，以GASF或者GADF为图像的像素值，对每个用地的人口数量时间序列数据构建二维图像的，并对所构建的全部二维图像进行图像深度学习分类，以实现研究区的用地分类处理。该步骤中图像深度学习分类包括基于DNN的ResNet50模型。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。
Claims (8)
1.一种保留重要极值点的格拉姆角场转换的用地分类方法，其特征在于，包括以下步骤：
步骤1、提取研究区内所有表征用地人口数量的时间序列数据；
步骤2、使用高斯混合模型GMM方法和贝叶斯信息准则BIC来确定所有表征用地人口数量的时间序列数据的重要极值点；
步骤3、根据重要极值点和人口数量的时间序列数据的分段区间值，聚合用地人口数量的时间序列分布数据，得到分段后的用地人口数量的时间序列数据和新的时间戳；其中，分段区间值是预先设定的；
步骤4、针对每个用地人口数量的时间序列数据，对分段后的用地人口数量的时间序列数据中分段区间内的人口数量进行归一化，得到新的人口数量，所得新的人口数量被记为缩放值；
步骤5、针对每个用地人口数量的时间序列数据，将新的时间戳作为半径，将缩放值的反余弦值作为角度来生成极坐标数据；
步骤6、进一步针对每个用地人口数量的时间序列数据，利用所生成的极坐标数据，生成格拉姆角场和GASF或格拉姆角场差GADF；
步骤7、以新的时间戳为图像的横纵坐标值，以GASF或者GADF为图像的像素值，对每个用地人口数量的时间序列数据构建二维图像，并对所构建的全部二维图像进行图像深度学习分类，以实现研究区的用地分类处理。
2.根据权利要求1所述的一种保留重要极值点的格拉姆角场转换的用地分类方法，其特征在于，步骤1具体如下：针对研究区内所有用地人口数量，按照时间间隔k进行统计，使得研究区内每个用地都对应一个人口数量的时间序列数据，从而得到研究区内所有表征用地人口数量的时间序列数据。
3.根据权利要求2所述的一种保留重要极值点的格拉姆角场转换的用地分类方法，其特征在于，步骤2具体如下：
步骤2.1、采用高斯混合模型GMM方法对每个用地人口数量的时间序列数据进行聚类处理；
步骤2.2、基于贝叶斯信息准则BIC确定步骤2.1中每个用地人口数量的时间序列数据的最佳聚类数；
步骤2.3、根据最佳聚类数，利用python语言中ksdensity函数，对每个用地人口数量的时间序列数据计算其概率密度曲线的局部极值点；
步骤2.4、汇集所有用地人口数量的时间序列分布数据的概率密度曲线的局部极值点，并对汇集后的局部极值点进行频率分布统计计算，得到局部极值点的频率分布集；
步骤2.5、再采用高斯混合模型GMM方法对局部极值点的频率分布集进行聚类处理，并通过贝叶斯信息准则BIC确定最佳聚类数；利用python语言中ksdensity函数，对局部极值点的频率分布集计算其概率密度曲线的局部极值点；此次所得的局部极值点即为所有表征用地人口数量的时间序列数据的重要极值点。
4.根据权利要求3所述的一种保留重要极值点的格拉姆角场转换的用地分类方法，其特征在于，步骤3具体如下：
步骤3.1、针对每个用地人口数量的时间序列数据进行分段：首先，将重要极值点按照预设的第一分段区间值K进行分段，保证每个重要极值点与相邻的时间点都是在同一个分段区间内；其次，将不是重要极值点的时间点按照预设的第二分段区间值M进行分段；最后，时间序列数据中若还存在单独的时间点，则按照第三区间值进行分段处理；其中，K=m×k，M=n×k，n为正整数，且m大于等于n；
步骤3.2、完成每个用地人口数量的时间序列数据分段处理后，将步骤3.1得到的每个分段区间采用新的时间戳；新的时间戳计算方法为：取分段区间内多个时间点的平均值为新的时间戳。
5.根据权利要求4所述的一种保留重要极值点的格拉姆角场转换的用地分类方法，其特征在于，第三区间值为1。
6.根据权利要求2所述的一种保留重要极值点的格拉姆角场转换的用地分类方法，其特征在于，步骤中1中按照一定时间间隔进行统计时，人口数量是每个时间间隔内人口数量的总和。
7.根据权利要求1所述的一种保留重要极值点的格拉姆角场转换的用地分类方法，其特征在于，步骤6中，将每对所生成的极坐标数据相加，然后取余弦值，所得结果即为格拉姆角场和GASF；若将每对所生成的极坐标数据减，然后取余弦值，所得结果即为格拉姆角场差GADF。
8.根据权利要求1所述的一种保留重要极值点的格拉姆角场转换的用地分类方法，其特征在于，步骤7中图像深度学习分类包括基于DNN的ResNet50模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210767018.9A CN115115885B (zh) | 2022-06-30 | 2022-06-30 | 一种保留重要极值点的格拉姆角场转换的用地分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210767018.9A CN115115885B (zh) | 2022-06-30 | 2022-06-30 | 一种保留重要极值点的格拉姆角场转换的用地分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115115885A CN115115885A (zh) | 2022-09-27 |
| CN115115885B true CN115115885B (zh) | 2024-04-02 |
Family
ID=83329679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210767018.9A Active CN115115885B (zh) | 2022-06-30 | 2022-06-30 | 一种保留重要极值点的格拉姆角场转换的用地分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115115885B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102216941A (zh) * | 2008-08-19 | 2011-10-12 | 数字标记公司 | 用于内容处理的方法和系统 |
| CN112370015A (zh) * | 2020-10-30 | 2021-02-19 | 复旦大学 | 基于格拉姆角场的生理信号质量评估方法 |
| CN113379819A (zh) * | 2020-03-09 | 2021-09-10 | 辉达公司 | 使用神经网络来扩展图像的技术 |
| CN114266347A (zh) * | 2020-10-01 | 2022-04-01 | 辉达公司 | 神经网络的无监督域适应 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11686840B2 (en) * | 2020-12-04 | 2023-06-27 | Rezatec Limited | System and method for remote dam monitoring |
-
2022
- 2022-06-30 CN CN202210767018.9A patent/CN115115885B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102216941A (zh) * | 2008-08-19 | 2011-10-12 | 数字标记公司 | 用于内容处理的方法和系统 |
| CN113379819A (zh) * | 2020-03-09 | 2021-09-10 | 辉达公司 | 使用神经网络来扩展图像的技术 |
| CN114266347A (zh) * | 2020-10-01 | 2022-04-01 | 辉达公司 | 神经网络的无监督域适应 |
| DE102021125231A1 (de) * | 2020-10-01 | 2022-04-07 | Nvidia Corporation | Unüberwachte domainanpassung mit neuronalen netzen |
| CN112370015A (zh) * | 2020-10-30 | 2021-02-19 | 复旦大学 | 基于格拉姆角场的生理信号质量评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于MODIS数据的重庆市植被覆盖度动态变化研究;肖洋;熊勤犁;欧阳志云;徐卫华;肖D;肖强;;西南大学学报(自然科学版);20130720(07);全文 * |
| 高层住宅场景可视化三维真实性建模仿真;段晓芳;滕树勤;;计算机仿真;20170915(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115115885A (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563902B (zh) | 一种基于三维卷积神经网络的肺叶分割方法及系统 | |
| CN111307453B (zh) | 一种基于多信息融合的传动系统故障诊断方法 | |
| CN113450596B (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
| CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
| CN109410238B (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
| CN105354273A (zh) | 一种快速检索高速公路逃费车辆高相似度图像的方法 | |
| CN111582111B (zh) | 一种基于语义分割的细胞各成分分割方法 | |
| CN105787492B (zh) | 基于均值采样的局部三值模式纹理特征提取方法 | |
| Xu et al. | Leaf instance segmentation and counting based on deep object detection and segmentation networks | |
| CN102044073A (zh) | 判断图像中人群密度的方法及系统 | |
| CN111784017A (zh) | 一种基于路况因素回归分析的公路交通事故数量预测方法 | |
| CN106530329A (zh) | 一种基于分数阶微分和多特征联合的稀疏表示跟踪方法 | |
| CN114201632B (zh) | 一种面向多标记目标检测任务的标签带噪数据集扩增方法 | |
| CN116030396A (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN111476259A (zh) | 一种基于卷积神经网络的齿痕舌识别算法 | |
| CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
| CN109034192B (zh) | 一种基于深度学习的轨道-车体振动状态预测方法 | |
| CN115115885B (zh) | 一种保留重要极值点的格拉姆角场转换的用地分类方法 | |
| CN112801181B (zh) | 城市信令交通流用户分类、预测方法、存储介质及系统 | |
| CN113888505A (zh) | 一种基于语义分割的自然场景文本检测方法 | |
| CN112101132A (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
| CN114240958B (zh) | 一种应用于病理学组织分割的对比学习方法 | |
| Oliveira et al. | A deep learning approach to cadastral computing | |
| CN115100406A (zh) | 一种基于超像素处理的权重信息熵模糊c均值聚类方法 | |
| CN109086774A (zh) | 基于朴素贝叶斯的彩色图像二值化方法和系统 |
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 |