CN115618040A - 一种基于数据分析的遥感样本库综合管理系统 - Google Patents
一种基于数据分析的遥感样本库综合管理系统 Download PDFInfo
- Publication number
- CN115618040A CN115618040A CN202211311061.0A CN202211311061A CN115618040A CN 115618040 A CN115618040 A CN 115618040A CN 202211311061 A CN202211311061 A CN 202211311061A CN 115618040 A CN115618040 A CN 115618040A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sample
- sample library
- library
- deep learning
- 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.)
- Withdrawn
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009313 farming Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 6
- 238000012952 Resampling Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 230000001815 facial effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000008520 organization Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数据分析的遥感样本库综合管理系统，属于遥感样本库综合管理技术领域，包括影像标注模块、样本管理模块。本发明将测绘遥感行业作业习惯与深度学习样本制作要求深度结合，各环节产生的数据成果无缝衔接，产出的样本库可直接用于神经网络模型训练；支持多源异构遥感数据，智能化地解决了测绘中的坐标系、影像格式、重采样、拉伸、配准等棘手的数据处理问题；样本库具备可扩充性、灵活性、容量大等特点，随着样本数据的积累，样本库内部数据组织可动态调整；设计理念新颖，操作简便，对于零行业基础的用户十分友好；并通过面部数据分析能够登录系统的用户进行鉴权，赋予不同账户不同的操作权限，保证深度学习样本的数据安全性。
Description
技术领域
本发明涉及遥感样本库综合管理技术领域，具体涉及一种基于数据分析的遥感样本库综合管理系统。
背景技术
随着对地观测技术的进步和高分辨率对地观测卫星的密集发射，现已经构建起自主的全球观测系统，中国已经进入遥感大数据时代。在遥感大数据时代，数据呈现“多传感器、多时空、多分辨率、多要素”四多新特点，数据的增速和获取手段超越了以往任何时期，而传统的遥感影像处理分析技术正面临着处理效果不理想、缺乏对精细化状态分析的有效有段、大批量数据持续观测过度依赖人工、数据产品不完整等问题，致使遥感数据的应用价值无法充分发挥。
深度学习技术的飞速发展为遥感影像自动解译带来契机。深度学习当前主要采用监督学习分类方式，即需要海量的遥感样本才能训练出一个高精度模型。而不同的遥感业务场景需要的样本规格独树一帜，样本类型错综复杂且互通性极低，遥感样本向深度学习样本的转换成本高、流程繁琐，如果没有一套精炼的管理体系，会造成大量数据资源的冗余和人力成本的浪费，所以如何构建起一套简洁、科学、贴近遥感用户日常业务的遥感样本库建管系统是一项能够造福未来遥感产业发展的重要课题。
目前市场上针对遥感样本库综合管理系统思路设计较为繁琐，且与实际业务使用习惯不符，无法有效地将AI和遥感行业紧密贴合，并且对于样本库的管理安全性也不够高的问题，为此，提出一种基于数据分析的遥感样本库综合管理系统。
发明内容
本发明所要解决的技术问题在于：如何解决现有遥感样本库综合管理系统思路设计较为繁琐，且与实际业务使用习惯不符，无法有效地将AI和遥感行业紧密贴合，并且对于样本库的管理安全性也不够高的问题，提供了一种基于数据分析的遥感样本库综合管理系统。
本发明是通过以下技术方案解决上述技术问题的，本发明包括：影像标注模块、样本管理模块；
所述影像标注模块，用于通过对原始遥感影像进行处理或通过对上传的矢量格式文件处理，生成遥感样本；
所述样本管理模块，进行遥感样本库新建、样本操作管理、管理鉴权、遥感样本增量更新、样本统计工作。
更进一步地，包括预处理单元、遥感样本生成单元；所述预处理单元用于对原始遥感影像进行预处理，将经过预处理的遥感影像保存在本地，所述遥感样本生成单元用于通过标注工具对遥感影像进行标注，或者通过上传的矢量格式文件，匹配对应的字段和标签，利用对应的字段和标签与遥感影像进行关联，进而生成遥感样本。
更进一步地，预处理包括投影变换和校正处理。
更进一步地，所述样本管理模块包括遥感样本库新建单元，所述遥感样本库新建单元用于以样本库为基本单位，创建多个不同的遥感样本库。
更进一步地，新建样本库时遵循递进的三层逻辑结构：样本库类型-样本库名称-标签，其中：
样本库类型包括地物分割、变化检测、目标识别、实例分割遥感；
样本库名称包括土地卫片执法、国土变更调查、建筑物提取、耕地非农化；
标签包括建筑物、耕地、林地、草地、建设用地、采矿用地。
更进一步地，所述样本管理模块还包括操作管理单元，所述操作管理单元用于添加、删除、下载深度学习样本；其中添加深度学习样本时，通过影像标注模块添加遥感样本，并对遥感样本按照预设规格进行切片、过滤处理，转换成深度学习样本，或者通过从外部上传已有与预设规格同规格的深度学习样本，加入遥感样本库，实现添加样本；删除深度学习样本即从对应的遥感样本库中删除深度学习样本；下载深度学习样本即从对应的遥感样本库中深度学习样本.
更进一步地，所述样本管理模块还包括管理鉴权单元，所述管理鉴权单元用于登录系统的账户的操作权限进行鉴权，鉴权分析过程如下：
S101：当前登录系统账户提出下载深度学习样本的请求，系统调用面部识别组件拍摄当前操作人员的面部图片，并对面部图片进行降噪处理；
S102：对经过降噪处理的面部图片进行面部识别，获取当前面部图片对应的账户身份，根据账户身份-面部模板图片库的查找结果，获取当前登录系统账户对应的账户身份；
S103：根据账户身份-操作权限等级库进行查找并获取当前账户身份所具备的操作权限，赋予当前登录系统账户对应的操作权限。
更进一步地，所述样本管理模块还包括遥感样本增量更新单元，所述遥感样本增量更新单元用于建立影像标注和遥感样本库的动态关联，当影像标注发生变化时，可增量更新至遥感样本库。
更进一步地，所述样本管理模块还包括样本统计单元，所述样本统计单元用于统计每个遥感样本库中遥感样本的标签类别、标注图斑数量、深度学习样本数量信息。
本发明相比现有技术具有以下优点：将测绘遥感行业作业习惯与深度学习样本制作要求深度结合，精炼流程，各环节产生的数据成果无缝衔接，产出的样本库可直接用于神经网络模型训练；支持多源异构遥感数据，智能化地解决了测绘中的坐标系、影像格式、重采样、拉伸、配准等棘手的数据处理问题；样本库具备可扩充性、灵活性、容量大等特点，随着样本数据的积累，样本库内部数据组织可动态调整；设计理念新颖，逻辑清晰，操作简便，对于零行业基础的用户十分友好；并通过面部数据分析能够登录系统的用户进行鉴权，赋予不同账户不同的操作权限，保证深度学习样本的数据安全性。
附图说明
图1是本发明实施例中基于数据分析的遥感样本库综合管理系统的总体架构图；
图2是本发明实施例中基于数据分析的遥感样本库综合管理系统的应用流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1、2所示，本实施例提供一种技术方案：一种基于数据分析的遥感样本库综合管理系统，包括：影像标注模块、样本管理模块；
所述影像标注模块，用于对原始遥感影像进行预处理，获取经过预处理后的遥感影像，将其保存在本地；然后通过标注工具对遥感影像进行标注，或者通过上传的矢量格式文件,对文件进行分析后，匹配对应的字段和标签，利用对应的字段和标签与遥感影像进行关联，进而生成遥感样本，该遥感样本包含遥感影像和对应的矢量标注信息；通过影像标注模块设置，支持多源异构遥感数据，智能化地解决了测绘中的坐标系、影像格式、重采样、拉伸、配准等棘手的数据处理问题。
具体地，矢量格式文件包括但不限于Shapefile、geojson、kml等矢量格式。
所述样本管理模块，用于进行遥感样本库新建、样本操作管理、管理鉴权、遥感样本增量更新、样本统计等工作。
在本实施例中，所述影像标注模块包括预处理单元、遥感样本生成单元；所述预处理单元用于对原始遥感影像进行预处理，预处理包括但不限于投影变换和校正处理，将经过投影变换和校正处理的遥感影像保存在本地，所述遥感样本生成单元用于通过标注工具对遥感影像进行标注，或者通过上传的矢量格式文件，匹配对应的字段和标签，利用对应的字段和标签与遥感影像进行关联，进而生成遥感样本。
在本实施例中，所述原始遥感影像是指记录各种地物大小的或，主要分为和，从航空设备上或卫星设备上直接获取。
在本实施例中，所述样本管理模块包括遥感样本库新建单元，所述遥感样本库新建单元用于以样本库为基本单位，创建多个不同的遥感样本库。
在本实施例中，新建样本库时遵循三层递进的逻辑结构：样本库类型-样本库名称-标签；具体说明如下：
样本库类型：择定样本库类型，包括地物分割、变化检测、目标识别、实例分割四种遥感业务场景，按照业务场景需求选择适合的类型；
样本库名称：择定业务名称，如土地卫片执法、国土变更调查、建筑物提取、耕地非农化等。
标签:择定标签类别，如建筑物、耕地、林地、草地、建设用地、采矿用地等。
在新建遥感样本库时，采用上述的遵循三层递进的逻辑结构，能够更方便后续对遥感样本库中的样本的综合管理工作，大大提高了管理效果。
在本实施例中，所述样本管理模块还包括操作管理单元，所述操作管理单元用于添加、删除、下载深度学习样本；其中添加深度学习样本时，通过影像标注模块添加遥感样本，并对遥感样本按照预设规格进行切片、过滤处理，转换成深度学习样本，或者通过从外部上传已有与预设规格同规格的深度学习样本，加入遥感样本库，实现添加样本；删除深度学习样本即从对应的遥感样本库中删除深度学习样本；下载深度学习样本即从对应的遥感样本库中深度学习样本。
在本实施例中，所述样本管理模块还包括管理鉴权单元，所述管理鉴权单元用于登录系统的账户的操作权限进行鉴权。
在本实施例中，所述管理鉴权单元的鉴权分析过程如下：
S101：当前登录系统账户提出下载深度学习样本的请求，系统调用面部识别组件拍摄当前操作人员的面部图片，并对面部图片进行降噪处理；
S102：对经过降噪处理的面部图片进行面部识别，获取当前面部图片对应的账户身份，根据账户身份-面部模板图片库的查找结果，获取当前登录系统账户对应的账户身份；
S103：根据账户身份-操作权限等级库进行查找并获取当前账户身份所具备的操作权限，赋予当前登录系统账户对应的操作权限。
具体地，在步骤S102中，账户身份-面部模板图片库中存储有账户身份与面部模板图片库的对应关系，账户身份-操作权限等级库中存储有账户身份与操作权限等级的对应关系。
具体地，账户操作权限等级包括一级权限、二级权限，一级权限具备添加、删除深度学习样本的能力，二级权限具备添加、删除、下载深度学习样本额能力。
在本实施例中，所述样本管理模块还包括遥感样本增量更新单元，所述遥感样本增量更新单元用于建立影像标注和遥感样本库的动态关联，当影像标注发生变化时，可增量更新至遥感样本库，便于快速验证样本效果。
在本实施例中，所述样本管理模块还包括样本统计单元，所述样本统计单元用于统计每个遥感样本库中遥感样本的标签类别、标注图斑数量、深度学习样本数量(区分了正、负样本)等信息，使遥感样本库的关键指标信息直观明了可视化，为后续深度学习模型训练提供了基础可靠的数据依据。
综上所述，上述实施例的基于数据分析的遥感样本库综合管理系统，将测绘遥感行业作业习惯与深度学习样本制作要求深度结合，精炼流程，各环节产生的数据成果无缝衔接，产出的样本库可直接用于神经网络模型训练；支持多源异构遥感数据，智能化地解决了测绘中的坐标系、影像格式、重采样、拉伸、配准等棘手的数据处理问题；样本库具备可扩充性、灵活性、容量大等特点，随着样本数据的积累，样本库内部数据组织可动态调整；设计理念新颖，逻辑清晰，操作简便，对于零行业基础的用户十分友好；并通过面部数据分析能够登录系统的用户进行鉴权，赋予不同账户不同的操作权限，保证深度学习样本的数据安全性。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于数据分析的遥感样本库综合管理系统，其特征在于，包括：影像标注模块、样本管理模块；
所述影像标注模块，用于通过对原始遥感影像进行处理或通过对上传的矢量格式文件处理，生成遥感样本；
所述样本管理模块，进行遥感样本库新建、样本操作管理、管理鉴权、遥感样本增量更新、样本统计工作。
2.根据权利要求1所述的一种基于数据分析的遥感样本库综合管理系统，其特征在于：包括预处理单元、遥感样本生成单元；所述预处理单元用于对原始遥感影像进行预处理，将经过预处理的遥感影像保存在本地，所述遥感样本生成单元用于通过标注工具对遥感影像进行标注，或者通过上传的矢量格式文件，匹配对应的字段和标签，利用对应的字段和标签与遥感影像进行关联，进而生成遥感样本。
3.根据权利要求2所述的一种基于数据分析的遥感样本库综合管理系统，其特征在于：预处理包括投影变换和校正处理。
4.根据权利要求2所述的一种基于数据分析的遥感样本库综合管理系统，其特征在于：所述样本管理模块包括遥感样本库新建单元，所述遥感样本库新建单元用于以样本库为基本单位，创建多个不同的遥感样本库。
5.根据权利要求4所述的一种基于数据分析的遥感样本库综合管理系统，其特征在于：新建样本库时遵循递进的三层逻辑结构：样本库类型-样本库名称-标签，其中：
样本库类型包括地物分割、变化检测、目标识别、实例分割遥感；
样本库名称包括土地卫片执法、国土变更调查、建筑物提取、耕地非农化；
标签包括建筑物、耕地、林地、草地、建设用地、采矿用地。
6.根据权利要求5所述的一种基于数据分析的遥感样本库综合管理系统，其特征在于：所述样本管理模块还包括操作管理单元，所述操作管理单元用于添加、删除、下载深度学习样本；其中添加深度学习样本时，通过影像标注模块添加遥感样本，并对遥感样本按照预设规格进行切片、过滤处理，转换成深度学习样本，或者通过从外部上传已有与预设规格同规格的深度学习样本，加入遥感样本库，实现添加样本；删除深度学习样本即从对应的遥感样本库中删除深度学习样本；下载深度学习样本即从对应的遥感样本库中深度学习样本。
7.根据权利要求6所述的一种基于数据分析的遥感样本库综合管理系统，其特征在于：所述样本管理模块还包括管理鉴权单元，所述管理鉴权单元用于登录系统的账户的操作权限进行鉴权，鉴权分析过程如下：
S101：当前登录系统账户提出下载深度学习样本的请求，系统调用面部识别组件拍摄当前操作人员的面部图片，并对面部图片进行降噪处理；
S102：对经过降噪处理的面部图片进行面部识别，获取当前面部图片对应的账户身份，根据账户身份-面部模板图片库的查找结果，获取当前登录系统账户对应的账户身份；
S103：根据账户身份-操作权限等级库进行查找并获取当前账户身份所具备的操作权限，赋予当前登录系统账户对应的操作权限。
8.根据权利要求7所述的一种基于数据分析的遥感样本库综合管理系统，其特征在于：所述样本管理模块还包括遥感样本增量更新单元，所述遥感样本增量更新单元用于建立影像标注和遥感样本库的动态关联，当影像标注发生变化时，可增量更新至遥感样本库。
9.根据权利要求8所述的一种基于数据分析的遥感样本库综合管理系统，其特征在于：所述样本管理模块还包括样本统计单元，所述样本统计单元用于统计每个遥感样本库中遥感样本的标签类别、标注图斑数量、深度学习样本数量信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211311061.0A CN115618040A (zh) | 2022-10-25 | 2022-10-25 | 一种基于数据分析的遥感样本库综合管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211311061.0A CN115618040A (zh) | 2022-10-25 | 2022-10-25 | 一种基于数据分析的遥感样本库综合管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115618040A true CN115618040A (zh) | 2023-01-17 |
Family
ID=84864455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211311061.0A Withdrawn CN115618040A (zh) | 2022-10-25 | 2022-10-25 | 一种基于数据分析的遥感样本库综合管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115618040A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575979A (zh) * | 2023-08-01 | 2024-02-20 | 广东省国土资源测绘院 | 一种遥感图像变化的检测方法及装置 |
-
2022
- 2022-10-25 CN CN202211311061.0A patent/CN115618040A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575979A (zh) * | 2023-08-01 | 2024-02-20 | 广东省国土资源测绘院 | 一种遥感图像变化的检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hecht et al. | Automatic identification of building types based on topographic databases–a comparison of different data sources | |
| Xu et al. | Characterizing destination networks through mobility traces of international tourists—A case study using a nationwide mobile positioning dataset | |
| JP5856618B2 (ja) | 地理空間データベース統合方法、およびデバイス | |
| Degrossi et al. | A taxonomy of quality assessment methods for volunteered and crowdsourced geographic information | |
| CN108256116B (zh) | 一种农用地现状数据快速采集方法 | |
| US10127457B2 (en) | System and methods for generating quality, verified, and synthesized information | |
| Mennecke et al. | Geographic information systems in developing countries: issues in data collection, implementation and management | |
| CN105574698A (zh) | 基于大数据下的智能仓储管理系统 | |
| AU2022224767A1 (en) | Method and apparatus for tracking, capturing, and synchronizing activity data across multiple devices | |
| CN113656477A (zh) | 一种国土空间多源异构数据的校验与融合方法 | |
| CN115618040A (zh) | 一种基于数据分析的遥感样本库综合管理系统 | |
| Ratcliffe | Implementing and integrating crime mapping into a police intelligence environment | |
| Mast et al. | Mapping urban villages using fully convolutional neural networks | |
| Li et al. | Urban infrastructure audit: an effective protocol to digitize signalized intersections by mining street view images | |
| CN113626408B (zh) | 一种城市信息数据库构建方法及一张图显示方法 | |
| Gueguen et al. | Mapping human settlements and population at country scale from VHR images | |
| Di Pasquale et al. | Assessing the population coverage of a health demographic surveillance system using satellite imagery and crowd-sourcing | |
| CN106355537A (zh) | 一种智能串并案分析方法及系统 | |
| CN109754266A (zh) | 认证信息图像显示方法、装置、服务器及存储介质 | |
| CN106599216A (zh) | 一种用于计算机辅助训练课件发布系统 | |
| CN111782980B (zh) | 地图兴趣点的挖掘方法、装置、设备及存储介质 | |
| CN106990724A (zh) | 环境监测云端服务平台及环境监测方法 | |
| WO2021114615A1 (zh) | 行为风险识别的可视化方法、装置、设备及存储介质 | |
| CN111339225A (zh) | 一种面向城市地理空间数据动态更新的方法及系统 | |
| CN110490560A (zh) | 水利水电工程移民实物调查方法及移民信息采集系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230117 |