CN116580302A - 一种高维水文数据处理系统及方法 - Google Patents
一种高维水文数据处理系统及方法 Download PDFInfo
- Publication number
- CN116580302A CN116580302A CN202310517216.4A CN202310517216A CN116580302A CN 116580302 A CN116580302 A CN 116580302A CN 202310517216 A CN202310517216 A CN 202310517216A CN 116580302 A CN116580302 A CN 116580302A
- Authority
- CN
- China
- Prior art keywords
- image
- voxel
- layer
- voxels
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000003672 processing method Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011109 contamination Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000007261 regionalization Effects 0.000 abstract description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Generation (AREA)
Abstract
本发明涉及水文数据处理技术领域,公开了一种高维水文数据处理系统及方法,其中,一种高维水文数据处理方法包括以下步骤:步骤101,基于水文图像生成图像体素,提取属于水体的图像体素生成第一图像体素集合;步骤102,生成图像提取空间,通过图像提取空间提取第一图像体素集合内的体素来生成第一图像特征;步骤103,通过特征卷积模型对第一图像特征进行处理;本发明通过水文图像的空间区域化处理和特征提取来减少非水域的信息维度,并且对水域区域特征进行区域化;本发明采用特征卷积模型对区域化处理的水域图像特征进行处理,能够综合水域的区域流动性和时间上的动态变化,获取水域污染状态,并判断污染的源头。
Description
技术领域
本发明涉及水文数据处理技术领域,更具体地说,它涉及一种高维水文数据处理方法。
背景技术
水文图像数据存在高维度,特征混杂度高的特点,采用与一般图像相同的特征提取以及处理方法会导致提取图像特征掺杂大量的非水域的信息维度,冗余信息会增加对于水域状态的判断结果偏差。
发明内容
本发明提供一种高维水文数据处理方法,解决相关技术中提取图像特征掺杂大量的非水域的信息维度会增加对于水域状态的判断结果偏差的技术问题。
本发明提供了一种高维水文数据处理方法,包括以下步骤:
步骤101,基于水文图像生成图像体素,提取属于水体的图像体素生成第一图像体素集合;
步骤102,生成图像提取空间,通过图像提取空间提取第一图像体素集合内的体素来生成第一图像特征;
步骤103,通过特征卷积模型对第一图像特征进行处理;
特征卷积模型包括:卷积空间,卷积空间内包括多个卷积列层,卷积列层包括多个卷积横层,同一卷积列层的卷积横层相互串联,卷积列层的输出连接到第一分类器和第二分类器,第一分类器的分类空间集合为,其中一个分类标签对应一个污染类型;第二分类器的分类空间集合为/>,其中/>分类标签对应是污染源头,/>对应不是污染源头;
第i个卷积列层的第i个卷积横层的输入表示如下:
;其中,/>和/>均表示卷积权重参数,/>表示卷积操作,/>为第i个卷积列层的第i-1个卷积横层的输出,/>为第j个卷积列层的第i-1个卷积横层的输出,第i个卷积列层的第一个卷积横层输入第i个第一图像特征,N为第i个第一图像特征的邻域第一图像特征所输入的卷积列层的集合。
进一步地,一个图像体素通过四元组表示,其中/>表示体素所在的图像层,B表示体素所在图像层内的X轴坐标,C表示体素所在图像层内的Y轴坐标,D表示体素的体素值。
进一步地,水文图像的图像层对应于图像通道、不同时间采集的图像。
进一步地,图像提取空间的深度等于水文图像的图像层的层数;对于第一图像体素集合中的X轴相同的体素,计算这些体素的Y轴坐标的差值,从中提取最大的差值加1之后作为图像提取空间的宽度,图像提取空间的长度设置为M;
提取第一图像特征是沿X轴方向依次提取的,相邻的两个第一图像特征对应的体素的最小X轴坐标的差值的值域为(M,1.1M),其中M为图像提取空间的长度。
进一步地,提取第一图像特征之前对第一图像体素集合内的体素进行空间移位处理,包括:
步骤201,计算第一图像体素集合内的体素的X轴坐标的最大差值和Y轴坐标的最大差值,如果X轴坐标的最大差值小于Y轴坐标的最大差值则对第一图像体素集合整体进行旋转处理,使体素的X轴坐标与Y轴坐标进行置换之后进入下一步骤;如果X轴坐标的最大差值大于或等于Y轴坐标的最大差值则直接进入下一步骤;
步骤202,沿X轴坐标由小至大的顺序对第一图像体素集合内的体素进行空间位移,定义同一X轴坐标的体素位于同一体素纵切层;
首先将X轴坐标最小的一个体素纵切层向Y轴移动至该体素纵切层的体素的Y轴最小值为0;
第l个体素纵切层沿Y轴的空间移动量表示为:
;其中,表示第l个体素纵切层的体素的Y轴坐标最大值,/>表示第l个体素纵切层的体素的Y轴坐标最小值,/>表示第l-1个体素纵切层的体素的Y轴坐标最大值,/>为常量,一般设置为3;/>为图像提取空间的宽度,/>表示第l-1个体素纵切层的空间移动量,参数含义中的Y轴坐标值均为移动之前的,定义/>时,/>=。
6.根据权利要求5所述的一种高维水文数据处理方法,其特征在于,如果,则第l个体素纵切层与第l-1个体素纵切层的空间移动方向相同,如果/>,且/>,则第l个体素纵切层沿Y轴的负方向移动,如果/>,且/>,则第l个体素纵切层沿Y轴的正方向移动。
进一步地,第i个第一图像特征的邻域第一图像特征包括第i-1个第一图像特征和第i+1个第一图像特征。
进一步地,每个卷积列层的初始参数进行独立的训练获得;
对卷积列层进行训练获得初始参数的方法包括:
将卷积列层的最后一层的卷积横层的输出连接训练全连接层,训练全连接层连接训练分类器,训练分类器的输出为二分类,分别对应于第一图像特征对应的第一图像体素对应的现实水域存在污染和不存在污染,这里存在污染是指符合污染指标的污染;通过训练样本对卷积列层进行训练。
进一步地,特征卷积模型进行训练的损失函数为:
;其中,/>表示第u个训练样本的第一分类器损失,/>表示第u个训练样本的第二分类器损失,U表示训练样本集合,/>是调整两个分类器损失平衡的平衡参数,为可调参数,/>;
和/>均为交叉熵损失函数。
本发明提供了一种高维水文数据处理系统,其用于执行上述的一种高维水文数据处理方法,该一种高维水文数据处理系统包括:
图像预处理模块,其基于水文图像生成图像体素,提取属于水体的图像体素生成第一图像体素集合;
图像特征生成模块,其用于生成图像提取空间,通过图像提取空间提取第一图像体素集合内的体素来生成第一图像特征;
图像特征处理模块,其用于通过特征卷积模型对第一图像特征进行处理,为每个第一图像特征生成对应于污染类型和是否存在污染源头的输出结果;
现实映射模块,通过图像特征处理模块生成的输出结果映射到第一图像特征对应的现实水域区域,对现实水域区域标记主要污染类型和是否属于污染源头的标签。
本发明的有益效果在于:
本发明通过水文图像的空间区域化处理和特征提取来减少非水域的信息维度,并且对水域区域特征进行区域化;本发明采用特征卷积模型对区域化处理的水域图像特征进行处理,能够综合水域的区域流动性和时间上的动态变化,获取水域污染状态,并判断污染的源头。
附图说明
图1是本发明的一种高维水文数据处理方法的流程图;
图2是本发明的对第一图像体素集合内的体素进行空间移位处理的流程图;
图3是本发明的一种高维水文数据处理系统的模块示意图。
图中:图像预处理模块101,图像特征生成模块102,图像特征处理模块103,现实映射模块104。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
实施例一
如图1和图2所示,一种高维水文数据处理方法,包括以下步骤:
步骤101,基于水文图像生成图像体素,提取属于水体的图像体素生成第一图像体素集合;
一个图像体素通过四元组表示,其中/>表示体素所在的图像层,B表示体素所在图像层内的X轴坐标,C表示体素所在图像层内的Y轴坐标,D表示体素的体素值;
提取属于水体的图像体素首先要对图像体素进行分类处理,可以通过简构的神经网络或聚类或回归的方式来实现。
水文图像的图像层可以对应于图像通道和/或不同时间采集的图像。
如果图像层表达了图像采集时间的要素,可以在后续处理过程中引入水域随时间变化的因素。
例如一个图像层表示一个时间的水文图像,或者表示一个时间的一个图像通道的水文图像;
步骤102,生成图像提取空间,通过图像提取空间提取第一图像体素集合内的体素来生成第一图像特征;
图像提取空间的深度等于水文图像的图像层的层数;对于第一图像体素集合中的X轴相同的体素,计算这些体素的Y轴坐标的差值,从中提取最大的差值加1之后作为图像提取空间的宽度,图像提取空间的长度设置为M,M为常数,根据第一图像体素集合内的体素数量来调整。
提取第一图像特征是沿X轴方向依次提取的,相邻的两个第一图像特征对应的体素的最小X轴坐标的差值的值域为(M,1.1M),其中M为图像提取空间的长度;
如果水文图像对应的水域为内陆河流,那么第一图像体素集合内的体素的空间差异会较大,难以通过图像提取空间生成的第一图像特征会产生较大的特征丢失,此时需要对第一图像体素集合内的体素进行空间移位处理;
对第一图像体素集合内的体素进行空间移位处理的方法包括:
步骤201,计算第一图像体素集合内的体素的X轴坐标的最大差值和Y轴坐标的最大差值,如果X轴坐标的最大差值小于Y轴坐标的最大差值则对第一图像体素集合整体进行旋转处理,使体素的X轴坐标与Y轴坐标进行置换之后进入下一步骤;如果X轴坐标的最大差值大于或等于Y轴坐标的最大差值则直接进入下一步骤;
步骤202,沿X轴坐标由小至大的顺序对第一图像体素集合内的体素进行空间位移,定义同一X轴坐标的体素位于同一体素纵切层;
首先将X轴坐标最小的一个体素纵切层向Y轴移动至该体素纵切层的体素的Y轴最小值为0;
第l个体素纵切层沿Y轴的空间移动量表示为:
表示第l个体素纵切层的体素的Y轴坐标最大值,/>表示第l个体素纵切层的体素的Y轴坐标最小值,/>表示第l-1个体素纵切层的体素的Y轴坐标最大值,/>为常量,一般设置为3;/>为图像提取空间的宽度,/>表示第l-1个体素纵切层的空间移动量,参数含义中的Y轴坐标值均为移动之前的,定义/>时,=/>;
需要说明的是,如果,则第l个体素纵切层与第l-1个体素纵切层的空间移动方向相同,如果/>,且/>,则第l个体素纵切层沿Y轴的负方向移动,如果/>,且,则第l个体素纵切层沿Y轴的正方向移动;
步骤103,通过特征卷积模型对第一图像特征进行处理;
特征卷积模型包括:
卷积空间,卷积空间内包括多个卷积列层,卷积列层包括多个卷积横层,同一卷积列层的卷积横层相互串联,卷积列层的输出连接到第一分类器和第二分类器,第一分类器的分类空间集合为,其中一个分类标签对应一个污染类型(表征第一图像特征对应的第一图像体素对应的现实水域存在的主要污染,无污染也是一个污染类型);
第二分类器的分类空间集合为,其中/>分类标签对应是污染源头(表征第一图像特征对应的第一图像体素对应的现实水域存在主要污染,并且是该主要污染的源头之一),/>对应不是污染源头;
第i个卷积列层的第i个卷积横层的输入表示如下:
其中,和/>均表示卷积权重参数,/>表示卷积操作,/>为第i个卷积列层的第i-1个卷积横层的输出,/>为第j个卷积列层的第i-1个卷积横层的输出,第i个卷积列层的第一个卷积横层输入第i个第一图像特征,N为第i个第一图像特征的邻域第一图像特征所输入的卷积列层的集合;
在本发明的一个实施例中,第i个第一图像特征的邻域第一图像特征包括第i-1个第一图像特征和第i+1个第一图像特征。
每个卷积列层的初始参数进行独立的训练获得;
对卷积列层进行训练获得初始参数的方法包括:
将卷积列层的最后一层的卷积横层的输出连接训练全连接层,训练全连接层连接训练分类器,训练分类器的输出为二分类,分别对应于第一图像特征对应的第一图像体素对应的现实水域存在污染和不存在污染,这里存在污染是指符合污染指标的污染;通过训练样本对卷积列层进行训练。
特征卷积模型进行训练的损失函数为:
其中,表示第u个训练样本的第一分类器损失,/>表示第u个训练样本的第二分类器损失,U表示训练样本集合,/>是调整两个分类器损失平衡的平衡参数,为可调参数,/>;
和/>均为交叉熵损失函数。
如图3所示,本发明提供用于执行上述的一种高维水文数据处理方法的一种高维水文数据处理系统,包括:
图像预处理模块101,其基于水文图像生成图像体素,提取属于水体的图像体素生成第一图像体素集合;
图像特征生成模块102,其用于生成图像提取空间,通过图像提取空间提取第一图像体素集合内的体素来生成第一图像特征;
图像特征处理模块103,其用于通过特征卷积模型对第一图像特征进行处理,为每个第一图像特征生成对应于污染类型和是否存在污染源头的输出结果;
现实映射模块104,通过图像特征处理模块103生成的输出结果映射到第一图像特征对应的现实水域区域,对现实水域区域标记主要污染类型和是否属于污染源头的标签。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (10)
1.一种高维水文数据处理方法,其特征在于,包括以下步骤:
步骤101,基于水文图像生成图像体素,提取属于水体的图像体素生成第一图像体素集合;
步骤102,生成图像提取空间,通过图像提取空间提取第一图像体素集合内的体素来生成第一图像特征;
步骤103,通过特征卷积模型对第一图像特征进行处理;
特征卷积模型包括:卷积空间,卷积空间内包括多个卷积列层,卷积列层包括多个卷积横层,同一卷积列层的卷积横层相互串联,卷积列层的输出连接到第一分类器和第二分类器,第一分类器的分类空间集合为,其中一个分类标签对应一个污染类型;第二分类器的分类空间集合为/>,其中/>分类标签对应是污染源头,/>对应不是污染源头;
第i个卷积列层的第i个卷积横层的输入表示如下:
;其中,/>和/>均表示卷积权重参数,/>表示卷积操作,/>为第i个卷积列层的第i-1个卷积横层的输出,/>为第j个卷积列层的第i-1个卷积横层的输出,第i个卷积列层的第一个卷积横层输入第i个第一图像特征,N为第i个第一图像特征的邻域第一图像特征所输入的卷积列层的集合。
2.根据权利要求1所述的一种高维水文数据处理方法,其特征在于,一个图像体素通过四元组表示,其中/>表示体素所在的图像层,B表示体素所在图像层内的X轴坐标,C表示体素所在图像层内的Y轴坐标,D表示体素的体素值。
3.根据权利要求1所述的一种高维水文数据处理方法,其特征在于,水文图像的图像层对应于图像通道、不同时间采集的图像。
4.根据权利要求1所述的一种高维水文数据处理方法,其特征在于,图像提取空间的深度等于水文图像的图像层的层数;对于第一图像体素集合中的X轴相同的体素,计算这些体素的Y轴坐标的差值,从中提取最大的差值加1之后作为图像提取空间的宽度,图像提取空间的长度设置为M;
提取第一图像特征是沿X轴方向依次提取的,相邻的两个第一图像特征对应的体素的最小X轴坐标的差值的值域为(M,1.1M),其中M为图像提取空间的长度。
5.根据权利要求1所述的一种高维水文数据处理方法,其特征在于,提取第一图像特征之前对第一图像体素集合内的体素进行空间移位处理,包括:
步骤201,计算第一图像体素集合内的体素的X轴坐标的最大差值和Y轴坐标的最大差值,如果X轴坐标的最大差值小于Y轴坐标的最大差值则对第一图像体素集合整体进行旋转处理,使体素的X轴坐标与Y轴坐标进行置换之后进入下一步骤;如果X轴坐标的最大差值大于或等于Y轴坐标的最大差值则直接进入下一步骤;
步骤202,沿X轴坐标由小至大的顺序对第一图像体素集合内的体素进行空间位移,定义同一X轴坐标的体素位于同一体素纵切层;
首先将X轴坐标最小的一个体素纵切层向Y轴移动至该体素纵切层的体素的Y轴最小值为0;
第l个体素纵切层沿Y轴的空间移动量表示为:
;其中,/>表示第l个体素纵切层的体素的Y轴坐标最大值,/>表示第l个体素纵切层的体素的Y轴坐标最小值,/>表示第l-1个体素纵切层的体素的Y轴坐标最大值,/>为常量,一般设置为3;/>为图像提取空间的宽度,/>表示第l-1个体素纵切层的空间移动量,参数含义中的Y轴坐标值均为移动之前的,定义/>时,/>=/>。
6.根据权利要求5所述的一种高维水文数据处理方法,其特征在于,如果,则第l个体素纵切层与第l-1个体素纵切层的空间移动方向相同,如果/>,且/>,则第l个体素纵切层沿Y轴的负方向移动,如果/>,且/>,则第l个体素纵切层沿Y轴的正方向移动。
7.根据权利要求1所述的一种高维水文数据处理方法,其特征在于,第i个第一图像特征的邻域第一图像特征包括第i-1个第一图像特征和第i+1个第一图像特征。
8.根据权利要求1所述的一种高维水文数据处理方法,其特征在于,每个卷积列层的初始参数进行独立的训练获得;
对卷积列层进行训练获得初始参数的方法包括:
将卷积列层的最后一层的卷积横层的输出连接训练全连接层,训练全连接层连接训练分类器,训练分类器的输出为二分类,分别对应于第一图像特征对应的第一图像体素对应的现实水域存在污染和不存在污染,这里存在污染是指符合污染指标的污染;通过训练样本对卷积列层进行训练。
9.根据权利要求1所述的一种高维水文数据处理方法,其特征在于,特征卷积模型进行训练的损失函数为:
;其中,/>表示第u个训练样本的第一分类器损失,/>表示第u个训练样本的第二分类器损失,U表示训练样本集合,/>是调整两个分类器损失平衡的平衡参数,为可调参数,/>;
和/>均为交叉熵损失函数。
10.一种高维水文数据处理系统,其特征在于,其用于执行如权利要求1-9任一所述的一种高维水文数据处理方法,该一种高维水文数据处理系统,包括:
图像预处理模块,其基于水文图像生成图像体素,提取属于水体的图像体素生成第一图像体素集合;
图像特征生成模块,其用于生成图像提取空间,通过图像提取空间提取第一图像体素集合内的体素来生成第一图像特征;
图像特征处理模块,其用于通过特征卷积模型对第一图像特征进行处理,为每个第一图像特征生成对应于污染类型和是否存在污染源头的输出结果;
现实映射模块,通过图像特征处理模块生成的输出结果映射到第一图像特征对应的现实水域区域,对现实水域区域标记主要污染类型和是否属于污染源头的标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310517216.4A CN116580302B (zh) | 2023-05-09 | 2023-05-09 | 一种高维水文数据处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310517216.4A CN116580302B (zh) | 2023-05-09 | 2023-05-09 | 一种高维水文数据处理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580302A true CN116580302A (zh) | 2023-08-11 |
CN116580302B CN116580302B (zh) | 2023-11-21 |
Family
ID=87539018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310517216.4A Active CN116580302B (zh) | 2023-05-09 | 2023-05-09 | 一种高维水文数据处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580302B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050120778A1 (en) * | 2003-07-14 | 2005-06-09 | Brian Von Herzen | Distributed sensor array for fluid contaminant monitoring |
CN108171776A (zh) * | 2017-12-26 | 2018-06-15 | 浙江工业大学 | 一种基于改进的卷积神经网络实现图像编辑传播的方法 |
US20180330477A1 (en) * | 2017-01-18 | 2018-11-15 | David S. Paik | Systems and methods for analyzing pathologies utilizing quantitative imaging |
CN110490880A (zh) * | 2019-08-16 | 2019-11-22 | 重庆邮电大学 | 一种基于局部视觉线索的髋关节x光图像分割方法及系统 |
US20200082534A1 (en) * | 2018-09-10 | 2020-03-12 | Deepmind Technologies Limited | 3-d convolutional neural networks for organ segmentation in medical images for radiotherapy planning |
US20200320685A1 (en) * | 2017-10-02 | 2020-10-08 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
CN112084842A (zh) * | 2020-07-28 | 2020-12-15 | 北京工业大学 | 一种基于深度语义模型的水文遥感图像目标识别方法 |
AU2020103570A4 (en) * | 2020-11-20 | 2021-02-04 | College of Grassland and Environmental Science, Xinjiang Agricultural University | Grassland soil degradation evaluation method |
CN113011397A (zh) * | 2021-04-27 | 2021-06-22 | 北京工商大学 | 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法 |
WO2021216747A1 (en) * | 2020-04-21 | 2021-10-28 | Massachusetts Institute Of Technology | Real-Time Photorealistic 3D Holography with Deep Neural Networks |
CN114279503A (zh) * | 2022-01-06 | 2022-04-05 | 上海第二工业大学 | 一种边云协同的自主巡航型水污染排放智能监测小船 |
US20220189588A1 (en) * | 2020-03-19 | 2022-06-16 | Institute Of Soil Science, Chinese Academy Of Sciences | Ptf-based method for predicting target soil property and content |
-
2023
- 2023-05-09 CN CN202310517216.4A patent/CN116580302B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050120778A1 (en) * | 2003-07-14 | 2005-06-09 | Brian Von Herzen | Distributed sensor array for fluid contaminant monitoring |
US20180330477A1 (en) * | 2017-01-18 | 2018-11-15 | David S. Paik | Systems and methods for analyzing pathologies utilizing quantitative imaging |
US20200320685A1 (en) * | 2017-10-02 | 2020-10-08 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
CN108171776A (zh) * | 2017-12-26 | 2018-06-15 | 浙江工业大学 | 一种基于改进的卷积神经网络实现图像编辑传播的方法 |
US20200082534A1 (en) * | 2018-09-10 | 2020-03-12 | Deepmind Technologies Limited | 3-d convolutional neural networks for organ segmentation in medical images for radiotherapy planning |
CN110490880A (zh) * | 2019-08-16 | 2019-11-22 | 重庆邮电大学 | 一种基于局部视觉线索的髋关节x光图像分割方法及系统 |
US20220189588A1 (en) * | 2020-03-19 | 2022-06-16 | Institute Of Soil Science, Chinese Academy Of Sciences | Ptf-based method for predicting target soil property and content |
WO2021216747A1 (en) * | 2020-04-21 | 2021-10-28 | Massachusetts Institute Of Technology | Real-Time Photorealistic 3D Holography with Deep Neural Networks |
CN112084842A (zh) * | 2020-07-28 | 2020-12-15 | 北京工业大学 | 一种基于深度语义模型的水文遥感图像目标识别方法 |
AU2020103570A4 (en) * | 2020-11-20 | 2021-02-04 | College of Grassland and Environmental Science, Xinjiang Agricultural University | Grassland soil degradation evaluation method |
CN113011397A (zh) * | 2021-04-27 | 2021-06-22 | 北京工商大学 | 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法 |
CN114279503A (zh) * | 2022-01-06 | 2022-04-05 | 上海第二工业大学 | 一种边云协同的自主巡航型水污染排放智能监测小船 |
Non-Patent Citations (2)
Title |
---|
CHUL MIN SONG等: "Applicability Evaluation of the Hydrological Image and Convolution Neural Network for Prediction of the Biochemical Oxygen Demand and Total Phosphorus Loads in Agricultural Areas", 《AGRICULTURE》, pages 1 - 20 * |
彭兆璇: "土壤污染评价三维可视化系统开发研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 138 - 579 * |
Also Published As
Publication number | Publication date |
---|---|
CN116580302B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN105426919B (zh) | 基于显著性指导非监督特征学习的图像分类方法 | |
CN106650721A (zh) | 一种基于卷积神经网络的工业字符识别方法 | |
CN113239954B (zh) | 基于注意力机制的图像语义分割特征融合方法 | |
CN108241854B (zh) | 一种基于运动和记忆信息的深度视频显著性检测方法 | |
CN110533024B (zh) | 基于多尺度roi特征的双二次池化细粒度图像分类方法 | |
CN109740686A (zh) | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 | |
CN108052523A (zh) | 基于卷积神经网络的赌博网站识别方法和系统 | |
CN109285162A (zh) | 一种基于局部区域条件随机场模型的图像语义分割方法 | |
CN105654135A (zh) | 一种基于递归神经网络的图像文字序列识别系统 | |
CN110992374B (zh) | 一种基于深度学习的头发精细化分割方法及系统 | |
CN109325513B (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
CN105303169B (zh) | 一种基于慢特征的细胞分裂识别方法及其识别装置 | |
CN110674777A (zh) | 一种专利文本场景下的光学字符识别方法 | |
CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN111563563B (zh) | 一种手写体识别的联合数据的增强方法 | |
CN115082675A (zh) | 一种透明物体图像分割方法及系统 | |
CN113808180A (zh) | 一种异源图像配准方法、系统及装置 | |
CN110826534A (zh) | 一种基于局部主成分分析的人脸关键点检测方法及系统 | |
Padhy et al. | Image classification in artificial neural network using fractal dimension | |
CN116580302B (zh) | 一种高维水文数据处理系统及方法 | |
CN112966759A (zh) | 一种基于深度学习的眼底图像识别分类方法 | |
Duman et al. | A Study on Deep Learning Based Classification of Flower Images | |
CN113192076B (zh) | 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 | |
CN109871835B (zh) | 一种基于互斥正则化技术的人脸识别方法 |
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 |