遥感影像地物分类多注意力融和U型网络法

经典的卷积神经网络在对遥感影像进行地物分类的过程中,由于影像中的地物尺寸和光谱特征差异较大、待分类目标背景环境复杂等问题,经典影像分类方法很难得到理想的分类结果。针对这些问题,本文借鉴U型卷积神经网络多层次特征融和的思想,提出了多注意力融和U型网络(MAFU-Net)。该网络利用注意力模块提取和处理不同层次的语义信息,强化不同位置像素和不同特征图之间的相关性,进而提高网络在复杂背景条件下的分类性能。为了验证本文提出的网络在遥感影像地物分类中的效果,分别在ISPRS上的Vaihingen数据集以及北京、河南两地区高分二号数据集上进行了试验,并与目前主流的语义分割网络进行了对比。试验结果表明,相比其他网络,本文提出的MAFU-Net在不同特点的数据集上均可以得到最佳的地物分类结果。同时,该网络结构简单、计算复杂度低、参数量少,具有很强的实用性。另外,本文充分利用特征可视化手段进行MAFU-Net和其他网络的分类性能对比分析,试验结果表明,目前多数深度学习网络模型的深层次原理和作用机制较为复杂,无法准确解释特定网络为何在某种数据集中会失效。这需要研究人员进一步通过更加高级的可视化表达方法和量化准则来对特定深度学习模型及网络性能进行分析评价,进而对更加高级的模型结构进行设计。

遥感图像多通道联合辅助降噪技术

针对目前遥感图像中高斯噪声较难处理的问题,本文提出了一种利用多通道联合辅助降噪(MJAD)的方法。这种方法在单通道辅助全局变分降噪方法(priors-TV方法)的基础上,通过加入更多的参考通道来对噪声通道图像整体梯度进行平滑,以此来降低错误纠正的概率。为了体现降噪效果,进行了三次仿真降噪实验。通过仿真实验,发现多通道联合辅助降噪不仅可以保证较好的峰值信噪比,同时可以大幅提高降噪算法效率,拥有更好的实用价值。为了验证该方法的可行性,利用priors—TV和MJAD方法分别进行了一次真实降噪对比实验,通过计算效率和梯度峰值信噪比(PSNRA)评价,发现MJAD方法可以很好地去除原始图像中的噪点并提高信噪比,同时在计算效率上也有明显的优势。

直线特征辅助的靠岸舰船检测

针对靠岸舰船难以检测的问题,提出了一种直线特征辅助的靠岸舰船检测方法。首先利用高精度的卷积神经网络目标检测算法YOLOv3对影像进行粗检测,获取可能存在舰船目标的区域作为兴趣区域;然后提取影像的直线特征,将直线的方向作为确定舰船方向的辅助信息;最后利用具有一定角度的滑动窗口遍历兴趣区域获取候选目标,并对侯选目标进行二次分类和识别得到最终检测结果。利用不同港口的遥感影像进行实验的结果表明,提出方法能够有效检测港口内多种方向和并列停靠的舰船目标。

市场经济特质与民商法之品格

本文结合市场经济特质的政策性是建立在经济特质调整方式的政策性之上,而非经济特质本身的政策,主要在于法和政策是两个截然不同的概念等特征,对民商法品格的多元性、平等性以及交换性、民商法品格的信用与自主性、民商法品格的利益性、知识性以及开放性进行分析.

A KERNEL-TYPE ESTIMATOR OF A QUANTILE FUNCTION UNDER RANDOMLY TRUNCATED DATA

A kernel-type estimator of the quantile function Q（p） = inf{t：F（t） ≥ p}, 0 ≤ p ≤ 1, is proposed based on the kernel smoother when the data are subjected to random truncation. The Bahadur-type representations of the kernel smooth estimator are established, and from Bahadur representations the authors can show that this estimator is strongly consistent, asymptotically normal, and weakly convergent.

融合纹理增强的遥感影像地物分类泛化性分析

为了解决因时空特征差异而导致遥感影像地物分类泛化性较弱的问题,提出了一种纹理与光谱特征联合的地物分类思路。通过筛选得到的纹理特征对光谱特征进行强化,并利用现有的深度学习框架,对各个纹理特征组合的分类效果进行评价。为了充分验证方法的有效性,在多组不同时相和地域的遥感影像中进行了特征筛选和测试。结果表明,将绿色光谱的方差、同质度及角二阶矩纹理特征与光谱特征进行叠加,可以有效抵抗季节和地域因素,进而提高分类的泛化性,尤其对水域和居民地检测的改善效果更加明显,平均交并比可提高5%~10%。同时,为基于深度学习的小样本地物分类研究提供了新的技术思路。

三好学生的模糊综合评选模型

通过分析目前三好学生评选中存在的不足之处 ,构建了三好学生综合评选指标体系 ,应用模糊综合评价理论建立了三好学生模糊综合评选模型 ,介绍了如何应用专家调查法来确定各指标的权重 .

结合双视觉全卷积网络的遥感影像地物提取

目的遥感影像地物提取是遥感领域的研究热点。由于背景和地物类型复杂多样,单纯利用传统方法很难对地物类别进行准确区分和判断,因而常常造成误提取和漏提取。目前基于卷积神经网络CNN(convolutional neural network)的方法进行地物提取的效果普遍优于传统方法,但需要大量的时间进行训练,甚至可能出现收敛慢或网络不收敛的情况。为此,基于多视觉信息特征的互补原理,提出了一种双视觉全卷积网络结构。方法该网络利用VGG(visual geometry group) 16和Alex Net分别提取局部和全局视觉特征,并经过融合网络对两种特征进行处理,以充分利用其包含的互补信息。同时,将局部特征提取网络作为主网络,减少计算复杂度,将全局特征提取网络作为辅助网络,提高预测置信度,加快收敛,减少训练时间。结果选取公开的建筑物数据集和道路数据集进行实验,并与二分类性能优异的U-Net网络和轻量型Mnih网络进行对比。实验结果表明,本文提出的双视觉全卷积网络的平均收敛时间仅为U-Net网络的15.46%;提取精度与U-Net相当,远高于Mnih;在95%的置信水平上,该网络的置信区间明显优于U-Net。结论本文提出的双视觉全卷积网络,融合了影像中地物的局部细节特征和全局特征,能保持较高的提取精度和置信度,且更易训练和收敛,为后续遥感影像地物提取与神经网络的设计提供了参考方向。