-
公开(公告)号：CN112215059B
公开(公告)日：2023-10-27
申请号：CN202010873246.5
申请日：2020-08-26
Applicant: 厦门大学
IPC: G06V20/10 , G06V10/774 , G06V20/52 , G06V10/44 , G06T7/11
Abstract: 本发明提供一种基于深度学习的城中村识别和人口估计方法、系统级计算机可存储介质，其中方法包括城中村识别阶段和城中村人口估计阶段，所述城中村识别阶段：提取城市路网图，使用opencv python包在路网图上提取路网轮廓，在遥感卫星图像上切割出图像块；对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask‑RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图；所述城中村人口估计阶段：在城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像，计算得到房屋容量特征、人群移动特征和区域功能特征；将三者作为输入，利用残差网络模型训练和预测城中村人口数量。本发明提供的方法，具有高效、低耗的优点，同时也达到了较高的识别和估计准确率。
-
公开(公告)号：CN114925994B
公开(公告)日：2024-07-23
申请号：CN202210493040.9
申请日：2022-05-07
Applicant: 厦门大学
IPC: G06Q10/0635 , G06Q50/26 , G06V20/13 , G06V10/82 , G06V10/762 , G06V10/44 , G06V10/80 , G06V10/764 , G06N3/042 , G06N3/0464 , G06N3/084 , G06F18/25 , G06N3/048
Abstract: 本发明提供一种基于深度学习的城中村风险评估和风险因素定位方法，利用群智感知技术搜索各类风险事故，对每类风险事故进行聚类，将超过阈值的作为风险热点，并根据城中村风险热点获取风险热点情景数据，所述风险热点情景数据包括城中村层面情景数据和场景层面情景数据；从城中村层面情景数据中提取城中村层面情景特征，从场景层面情景数据中提取场景层面情景特征；将城中村层面情景特征和场景层面情景特征输入构建的训练好的残差网络模型，评估城中村风险，并采用逐层相关传播算法定位风险因素；实现异构数据融合，具有高效、低耗的优点，同时也达到了较高的准确率。
-
公开(公告)号：CN114925994A
公开(公告)日：2022-08-19
申请号：CN202210493040.9
申请日：2022-05-07
Applicant: 厦门大学
Abstract: 本发明提供一种基于深度学习的城中村风险评估和风险因素定位方法，利用群智感知技术搜索各类风险事故，对每类风险事故进行聚类，将超过阈值的作为风险热点，并根据城中村风险热点获取风险热点情景数据，所述风险热点情景数据包括城中村层面情景数据和场景层面情景数据；从城中村层面情景数据中提取城中村层面情景特征，从场景层面情景数据中提取场景层面情景特征；将城中村层面情景特征和场景层面情景特征输入构建的训练好的残差网络模型，评估城中村风险，并采用逐层相关传播算法定位风险因素；实现异构数据融合，具有高效、低耗的优点，同时也达到了较高的准确率。
-
公开(公告)号：CN112215059A
公开(公告)日：2021-01-12
申请号：CN202010873246.5
申请日：2020-08-26
Applicant: 厦门大学
Abstract: 本发明提供一种基于深度学习的城中村识别和人口估计方法、系统级计算机可存储介质，其中方法包括城中村识别阶段和城中村人口估计阶段，所述城中村识别阶段：提取城市路网图，使用opencv python包在路网图上提取路网轮廓，在遥感卫星图像上切割出图像块；对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask‑RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图；所述城中村人口估计阶段：在城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像，计算得到房屋容量特征、人群移动特征和区域功能特征；将三者作为输入，利用残差网络模型训练和预测城中村人口数量。本发明提供的方法，具有高效、低耗的优点，同时也达到了较高的识别和估计准确率。
-
-
-
Search Results
4
records
(took 0.034 seconds)
