NL2032560B1 - Deep learning model performance evaluation method and system - Google Patents

Deep learning model performance evaluation method and system Download PDF

Info

Publication number
NL2032560B1
NL2032560B1 NL2032560A NL2032560A NL2032560B1 NL 2032560 B1 NL2032560 B1 NL 2032560B1 NL 2032560 A NL2032560 A NL 2032560A NL 2032560 A NL2032560 A NL 2032560A NL 2032560 B1 NL2032560 B1 NL 2032560B1
Authority
NL
Netherlands
Prior art keywords
predicted
contig
connectivity
contiguous
sequence
Prior art date
Application number
NL2032560A
Other languages
English (en)
Other versions
NL2032560A (en
Inventor
Liu Li
Wen Xuehu
Zhou Qi
Li Weiqing
Dong Xianmin
Original Assignee
The Third Geoinformation Mapping Institute Of Mini Of Natural Resources
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 The Third Geoinformation Mapping Institute Of Mini Of Natural Resources filed Critical The Third Geoinformation Mapping Institute Of Mini Of Natural Resources
Publication of NL2032560A publication Critical patent/NL2032560A/en
Application granted granted Critical
Publication of NL2032560B1 publication Critical patent/NL2032560B1/en

Links

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
    • G06V10/77—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
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Claims (10)

  1. Conclusies L Computergeimplementeerde deeplearningmodelprestatie-evaluatiewerkwijze, met het kenmerk dat de werkwijze het volgende omvat:
    het verwerven van een eerste aaneengesloten stuk en een tweede aaneengesloten stuk, waarbij het eerste aaneengesloten stuk uit een waar label wordt geëxtraheerd, het tweede aaneengesloten stuk uit voorspelde resultaten die met het ware label corresponderen wordt geëxtraheerd, en de voorspelde resultaten een voorspeld resultaat van elk epochmodel omvatten;
    het respectievelijk extraheren van contourinformatie van het eerste aaneengesloten stuk en het tweede aaneengesloten stuk en een totaal aantal pixelpunten in de stukken om respectievelijk een standaard gemarkeerde aaneensluitingsreeks A en een voorspeldeaaneensluitingsreeksverzameling B te verkrijgen, waarbij de voorspeldeaaneensluitingsreeksverzameling B verscheidene voorspelde aaneensluitingsreeksen Bk omvat, waarbij Bx een voorspelde aaneensluitingsreeks representeert die correspondeert met een k-de epochmodel, en waarbij elke voorspelde aaneensluitingsreeks Bx de contourinformatie van het tweede aaneengesloten stuk omvat die correspondeert met het voorspelde resultaat van één epochmodel en het totale aantal pixelpunten in het stuk;
    het uitvoeren van ruimtelijke kalibratie op elke voorspelde aaneensluitingsreeks Bx in de voorspeldeaaneensluitingsreeksverzameling B volgens de standaard gemarkeerde aaneensluitingsreeks A om een gekalibreerdeaaneensluitingsreeksverzameling C te verkrijgen, waarbij de gekalibreerdeaaneensluitingsreeksverzameling ~~ C verscheidene gekalibreerde aaneensluitingsreeksen Cx omvat, en waarbij elke gekalibreerde aaneensluitingsreeks Cx verkregen wordt middels het kalibreren van één voorspelde aaneensluitingsreeks Bx;
    het berekenen van een Euclidische afstand tussen een /-de element a; in de standaard gemarkeerde aaneensluitingsreeks A en een j-de element ¢; in de gekalibreerde aaneensluitingsreeks Cx in de gekalibreerdeaaneensluitingsreeksverzameling C;
    het opbouwen van een gelijkenismatrix P van m = n, waarbij een element P(7, f) in de gelijkenismatrix P afstand (a; ¢;) is, waarbij m het totale aantal elementen in de standaard gemarkeerde aaneensluitingsreeks A is, en n het totale aantal elementen in de gekalibreerde aaneensluitingsreeks Cx is;
    - 05 - het zoeken, middels het respectievelijk nemen van de elementen aan twee uiteinden van een doeldiagonaal in de gelijkenismatrix P als een startpunt en een eindpunt en het nemen van de doeldiagonaal als een hoofddiagonaal of een hulpdiagonaal, van een pad van het startpunt naar het eindpunt in de reeks, waarbij in het zoekproces het element met de minimumelementwaarde in een voorwaartse bewegingsrichting gezocht wordt in elke stap; het optellen van alle elementen op het pad om gelijkenissen tussen de standaard gemarkeerde aaneensluitingsreeks A en de gekalibreerde aaneensluitingsreeksen Cx te verkrijgen; het doorlopen van alle gekalibreerde aaneensluitingsreeksen Cx in de gekalibreerdeaaneensluitingsreeksverzameling C om een gelijkenisverzameling te verkrijgen; en het evalueren van een deeplearningmodel volgens de gelijkenisverzameling.
  2. 2. Computergeimplementeerde deeplearningmodelprestatie-evaluatiewerkwijze volgens conclusie 1, met het kenmerk dat elk aaneengesloten stuk één of meer pixels omvat; dat in eenzelfde aaneengesloten stuk, de pixels dezelfde waardes hebben; en dat indien het aaneengesloten stuk een veelheid van pixels heeft, in het aaneengesloten stuk elke pixel een aangrenzende pixel in een horizontale richting of een verticale richting heeft.
  3. 3. Computergeimplementeerde deeplearningmodelprestatie-evaluatiewerkwijze volgens conclusie 1, met het kenmerk dat bij het verwerven van een eerste aaneengesloten stuk en een tweede aaneengesloten stuk, waarbij het eerste aaneengesloten stuk uit een waar label wordt geëxtraheerd, het tweede aaneengesloten stuk uit voorspelde resultaten die met het ware label corresponderen wordt geëxtraheerd, en de voorspelde resultaten een voorspeld resultaat van elk epochmodel omvatten, in het bijzonder het volgende omvat: het gebruiken van twee keer doorlopen (““Two-Pass”) om progressieve scanning en zoeken uit te voeren op het ware label en het voorspelde resultaat van elk epochmodel van links naar rechts en van boven naar onder, om zo verscheidene eerste aaneengesloten stukken en verscheidene tweede aaneengesloten stukken te verkrijgen.
  4. 4. Computergeimplementeerde deeplearningmodelprestatie-evaluatiewerkwijze volgens conclusie 3, met het kenmerk dat het respectievelijk extraheren van contourinformatie van het eerste aaneengesloten stuk en het tweede aaneengesloten stuk en een totaal aantal pixelpunten in de stukken om respectievelijk een standaard gemarkeerde aaneensluitingsreeks A en een voorspeldeaaneensluitingsreeksverzameling B te verkrijgen, waarbij de voorspeldeaaneensluitingsreeksverzameling B verscheidene voorspelde aaneensluitingsreeksen Bx omvat, waarbij Bx een voorspelde aaneensluitingsreeks representeert die correspondeert met een k-de epochmodel, en waarbij elke voorspelde aaneensluitingsreeks Bx de contourinformatie van het tweede aaneengesloten stuk omvat die correspondeert met het voorspelde resultaat van één epochmodel en het totale aantal pixelpunten in het stuk, in het bijzonder het volgende omvat: het extraheren van contourinformatie van het eerste aaneengesloten stuk en een totaal aantal pixelpunten in het stuk om een standaard gemarkeerde aaneensluitingsreeks A te verkrijgen; het extraheren van contourinformatie van het tweede aaneengesloten stuk die correspondeert met het voorspelde resultaat van één epochmodel en een totaal aantal pixelpunten in het stuk om één voorspelde aaneensluitingsreeks Bx te verkrijgen, en het doorlopen van de tweede aaneengesloten stukken die corresponderen met de voorspelde resultaten van alle epochmodellen om een voorspeldeaaneensluitingsreeksverzameling B te verkrijgen.
  5. 5. Computergeimplementeerde deeplearningmodelprestatie-evaluatiewerkwijze volgens conclusie 1, met het kenmerk dat het uitvoeren van ruimtelijke kalibratie op elke voorspelde aaneensluitingsreeks Bx in de voorspeldeaaneensluitingsreeksverzameling B volgens de standaard gemarkeerde aaneensluitingsreeks A om een gekalibreerdeaaneensluitingsreeksverzameling C te verkrijgen, in het bijzonder het volgende omvat: het bepalen, volgens een ruimtelijke snij puntpositieverband, van een ruimtelijke correspondentieverband tussen het aaneengesloten stuk in de standaard gemarkeerde aaneensluitingsreeks A en het aaneengesloten stuk in elke voorspelde aaneensluitingsreeks Bx in de voorspeldeaaneensluitingsreeksverzameling B; het opnieuw rangschikken, volgens een indexvolgorde van de standaard gemarkeerde aaneensluitingsreeks A, van de aaneengesloten stukken, die het ruimtelijke snijpuntpositieverband met de standaard gemarkeerde aaneensluitingsreeks A hebben, tussen de voorspelde aaneensluitingsreeksen Bx, het verwijderen van de aaneengesloten stukken die geen ruimtelijke snijpuntpositieverband hebben als redundant, en het verkrijgen van gekalibreerde aaneensluitingsreeksen Cx; en het doorlopen van alle voorspelde aaneensluitingsreeksen Bx om een gekalibreerdeaaneensluitingsreeksverzameling C te verkrijgen.
  6. 6. Computergeimplementeerde deeplearningmodelprestatie-evaluatiewerkwijze volgens conclusie 1, met het kenmerk dat het evalueren van een deeplearningmodel volgens de gelijkenisverzameling in het bijzonder het volgende omvat: het berekenen van een aaneensluitingsgelijkenisindicator volgens de gelijkenisverzameling, waarbij een grotere waarde van de aaneensluitingsgelijkenisindicator betere aaneensluitingsretentie van een voorspeld resultaat van het deeplearningmodel aangeeft.
  7. 7. Computergeimplementeerde deeplearningmodelprestatie-evaluatiewerkwijze volgens conclusie 6, met het kenmerk dat het berekenen van een aaneensluitingsgelijkenisindicator volgens de gelijkenisverzameling in het bijzonder het volgende omvat: het gebruiken van een integraleafbeeldingsformule om volgens de gelijkenisverzameling een aaneensluitingsgelijkenisindicator te berekenen, waarbij de . . _ dk-dmin .. .. . integraleafbeeldingsformule dx csim ne waarbij dx een gelijkenis max min representeert, duin een minimumwaarde van alle gelijkenissen in de gelijkenisverzameling representeert; dmax een maximumwaarde van alle gelijkenissen in de gelijkenisverzameling representeert, en di_csim een aaneensluitingsgelijkenisindicatorwaarde representeert.
  8. 8. Deeplearningmodelprestatie-evaluatiecomputersysteem, met het kenmerk dat het systeem het volgende omvat: een aaneengesloten-stuk identificatie-eenheid die geconfigureerd is voor het verwerven van een eerste aaneengesloten stuk en een tweede aaneengesloten stuk,
    -08 - waarbij het eerste aaneengesloten stuk uit een waar label wordt geëxtraheerd, waarbij het tweede aaneengesloten stuk uit voorspelde resultaten die corresponderen met het ware label wordt geëxtraheerd, en waarbij de voorspelde resultaten een voorspeld resultaat van elk epochmodel omvatten;
    een aaneensluitingsreeksverdelingseenheid die geconfigureerd is voor het respectievelijk extraheren van contourinformatie van het eerste aaneengesloten stuk en het tweede aaneengesloten stuk en een totaal aantal pixelpunten in de stukken om respectievelijk een standaard gemarkeerde aaneensluitingsreeks A en een voorspeldeaaneensluitingsreeksverzameling B te verkrijgen, waarbij de voorspeldeaaneensluitingsreeksverzameling B verscheidene voorspelde aaneensluitingsreeksen Bx omvat, waarbij Bx een voorspelde aaneensluitingsreeks representeert die correspondeert met een k-de epochmodel, en waarbij elke voorspelde aaneensluitingsreeks Bx de contourinformatie van het tweede aaneengesloten stuk omvat die correspondeert met het voorspelde resultaat van één epochmodel en het totale aantal pixelpunten in het stuk;
    een ruimtelijkekalibratie-eenheid die geconfigureerd is voor het uitvoeren, volgens de standaard gemarkeerde aaneensluitingsreeks A, van ruimtelijke kalibratie op elke voorspelde aaneensluitingsreeks Bx in de voorspeldeaaneensluitingsreeksverzameling B om een gekalibreerdeaaneensluitingsreeksverzameling C te verkrijgen, waarbij de gekalibreerdeaaneensluitingsreeksverzameling C verscheidene gekalibreerde aaneensluitingsreeksen Cx omvat, en waarbij elke gekalibreerde aaneensluitingsreeks Cx verkregen wordt middels het kalibreren van één voorspelde aaneensluitingsreeks Bx;
    een afstandsberekeningseenheid die geconfigureerd is voor het berekenen van een Euclidische afstand tussen een i-de element a; in de standaard gemarkeerde aaneensluitingsreeks A en een j-de element ¢; in de gekalibreerde aaneensluitingsreeks Cx in de gekalibreerdeaaneensluitingsreeksverzameling C;
    een gelijkenismatrixopbouweenheid die geconfigureerd is voor het opbouwen van een gelijkenismatrix P van m x n, waarbij een element P(á, j) in de gelijkenismatrix
    P afstand (a, ¢;) is, waarbij m het totale aantal elementen in de standaard gemarkeerde aaneensluitingsreeks A is, en n het totale aantal elementen in de gekalibreerde aaneensluitingsreeks Ck is;
    een padzoekeenheid die geconfigureerd is voor het zoeken, middels het respectievelijk nemen van de elementen aan twee uiteinden van een doeldiagonaal in de gelijkenismatrix P als een startpunt en een eindpunt en het nemen van de doeldiagonaal als een hoofddiagonaal of een hulpdiagonaal, van een pad van het startpunt naar het eindpunt in de reeks, waarbij in het zoekproces het element met de minimumelementwaarde in een voorwaartse bewegingsrichting gezocht wordt in elke stap; een gelijkenisberekeningseenheid die geconfigureerd is voor het optellen van alle elementen op het pad om gelijkenissen tussen de standaard gemarkeerde aaneensluitingsreeks A en de gekalibreerde aaneensluitingsreeksen Ck te verkrijgen; een gelijkenisverzamelingsverwervingseenheid die geconfigureerd is voor het doorlopen van alle gekalibreerde aaneensluitingsreeksen Ck in de gekalibreerdeaaneensluitingsreeksverzameling C om een gelijkenisverzameling te verkrijgen; en een evaluatie-eenheid die geconfigureerd is voor het evalueren van een deeplearningmodel volgens de gelijkenisverzameling.
  9. 9. Deeplearningmodelprestatie-evaluatiecomputersysteem volgens conclusie 8, met het kenmerk dat het evalueren van een deeplearningmodel volgens de gelijkenisverzameling in het bijzonder het volgende omvat: het berekenen van een aaneensluitingsgelijkenisindicator volgens de gelijkenisverzameling, waarbij een grotere waarde van de aaneensluitingsgelijkenisindicator betere aaneensluitingsretentie van een voorspeld resultaat van het deeplearningmodel aangeeft.
  10. 10. Deeplearningmodelprestatie-evaluatiecomputersysteem volgens conclusie 9, met het kenmerk dat het berekenen van een aaneensluitingsgelijkenisindicator volgens de gelijkenisverzameling in het bijzonder het volgende omvat: Het gebruiken van een integraleafbeeldingsformule om volgens de gelijkenisverzameling een aaneensluitingsgelijkenisindicator te berekenen, waarbij de integraleafbeeldingsformule dj, csim = dk dmin_ is, waarbij di een gelijkenis 7 dmax min representeert, dmin een minimumwaarde van alle gelijkenissen in de gelijkenisverzameling representeert; dmax een maximumwaarde van alle gelijkenissen in de gelijkenisverzameling representeert, en dk_csim een aaneensluitingsgelijkenisindicatorwaarde representeert.
NL2032560A 2022-01-13 2022-07-21 Deep learning model performance evaluation method and system NL2032560B1 (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210034162.1A CN114049569B (zh) 2022-01-13 2022-01-13 一种深度学习模型性能评价方法及系统

Publications (2)

Publication Number Publication Date
NL2032560A NL2032560A (en) 2023-07-19
NL2032560B1 true NL2032560B1 (en) 2024-01-08

Family

ID=80196382

Family Applications (1)

Application Number Title Priority Date Filing Date
NL2032560A NL2032560B1 (en) 2022-01-13 2022-07-21 Deep learning model performance evaluation method and system

Country Status (2)

Country Link
CN (1) CN114049569B (nl)
NL (1) NL2032560B1 (nl)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241326B (zh) * 2022-02-24 2022-05-27 自然资源部第三地理信息制图院 一种渐进式遥感影像地物要素智能生产方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846344B (zh) * 2016-12-14 2018-12-25 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法
CN109446992B (zh) * 2018-10-30 2022-06-17 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN110232696B (zh) * 2019-06-20 2024-03-08 腾讯科技（深圳）有限公司 一种图像区域分割的方法、模型训练的方法及装置
WO2021152089A1 (en) * 2020-01-30 2021-08-05 Vitadx International Systematic characterization of objects in a biological sample
US11830246B2 (en) * 2020-05-01 2023-11-28 CACI, Inc.—Federal Systems and methods for extracting and vectorizing features of satellite imagery
CN111931782B (zh) * 2020-08-12 2024-03-01 中国科学院上海微系统与信息技术研究所 语义分割方法、系统、介质及装置
CN113033403A (zh) * 2021-03-25 2021-06-25 生态环境部卫星环境应用中心 基于影像瓦片的生态保护红线地物目标识别方法及系统

Also Published As

Publication number Publication date
CN114049569B (zh) 2022-03-18
NL2032560A (en) 2023-07-19
CN114049569A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
Ukhwah et al. Asphalt pavement pothole detection using deep learning method based on YOLO neural network
CN110689081B (zh) 一种基于分歧学习的弱监督目标分类和定位方法
CN101315631B (zh) 一种新闻视频故事单元关联方法
Hou et al. Detecting structural components of building engineering based on deep-learning method
NL2032560B1 (en) Deep learning model performance evaluation method and system
Zou et al. Individual vacant house detection in very-high-resolution remote sensing images
CN116363586A (zh) 基于改进yolov5s的桥梁施工进度智能识别方法
CN103810667A (zh) 通过背景减去的光谱场景简化
CN117636160A (zh) 一种基于半监督学习的高分遥感耕地地块自动更新方法
CN117688313A (zh) 一种网络协同处理测绘数据的方法
Lemenkova Topology, homogeneity and scale factors for object detection: application of eCognition software for urban mapping using multispectral satellite image
Yu et al. ArchShapesNet: a novel dataset for benchmarking architectural building information modeling element classification algorithms
Engstrom et al. Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka
CN117633068A (zh) 一种建设用地供应监测监管方法及系统
CN117522369A (zh) 基于北斗遥感技术融合的智能路面巡检方法及系统
Mercioni et al. A study on Hierarchical Clustering and the Distance metrics for Identifying Architectural Styles
US20230298335A1 (en) Computer-implemented method, data processing apparatus and computer program for object detection
CN116720079A (zh) 基于多特征融合的风力发电机故障模式识别方法及系统
CN116167661A (zh) 一种基于空间错位的土地利用变化模拟可信度评估方法
Vilgertshofer et al. Recognising railway infrastructure elements in videos and drawings using neural networks
Yu et al. Abnormal crowdsourced data detection using remote sensing image features
CN103810666A (zh) 基于高光谱特性的场景中的物质减去
Berwal Innovative Approaches to Semantic Segmentation in Construction Sites: Combining New Dataset with Semi-Supervised and Zero-Shot Learning
CN117725662B (zh) 一种基于市政工程的工程施工仿真方法及系统
CN111611406B (zh) 用于人工智能学习模式的数据存储系统与方法