高光谱图像可以获取波段连续的图谱合一的立体数据,其具有丰富的图谱信息,能区分不同物质的类别,被广泛应用于各种遥感勘测领域。但在实际中高光谱图像的标注需要耗费大量的人力、财力和时间,可用的标注样本数量较少,难以通过训练来获...高光谱图像可以获取波段连续的图谱合一的立体数据,其具有丰富的图谱信息,能区分不同物质的类别,被广泛应用于各种遥感勘测领域。但在实际中高光谱图像的标注需要耗费大量的人力、财力和时间,可用的标注样本数量较少,难以通过训练来获得准确的分类结果,所以针对于只有少量标记样本的高光谱图像分类是一个挑战。近年来,自监督学习(Self-supervised Learning,SSL)已成为一种有效的方法,可以减少高光谱图像分类对昂贵的数据标注的依赖。SSL方法通过学习在同一图像的不同视图之间产生的潜在特征,在自然图像分类中取得了较高的分类精度。为了探索SSL方法在高光谱图像分类中的潜力,一种Bootstrap Your Own Latent(BYOL)框架下的自监督高光谱图像分类方法(BSSL)被提出。该方法通过引用自监督的图像特征学习框架BYOL,可以不需要负样本对,利用空间光谱相似的同类样本对进行网络训练及参数微调,提取到更具判别性特征。具体来说,该方法主要包括四个部分:BYOL的预训练、超像素聚类、基于“相似对”的BYOL的再训练和最终分类。为了验证该方法的有效性,在三个公开数据集上进行测试,并与五种先进的无监督、自监督分类方法SuperPCA、S3PCA、ContrastNet、SSCL和N2SSL进行对比,在Indian Pines和Salinas数据集上,BSSL方法的总体分类精度(OA)、平均分类精度(AA)、Kappa系数、召回率(recall)和f1分数(f1-score)都取得了更优值。其中在Indian Pines数据集上,OA分别比SuperPCA,S3PCA,ContrastNet,SSCL和N2SSL提高了1.32%,1.05%,5.68%,3.12%和1.27%。而在University of Pavia数据集上,BSSL方法表现没有那么出色,但在综合分类性能上也表现最优。这表明BSSL方法更适用于地物区域面积较大且分布较集中的场景,因为这对于超像素聚类来说更友好。展开更多
根据SILEX和Landsat平台振动功率谱设计滤波器的幅频响应,通过滤波器对高斯白噪声进行滤波来模拟生成平台振动信号。用Matlab的Real-Time Windows Target把滤波器的Simulink仿真模型转换为实时程序。把程序模拟生成的方位和俯仰振动信...根据SILEX和Landsat平台振动功率谱设计滤波器的幅频响应,通过滤波器对高斯白噪声进行滤波来模拟生成平台振动信号。用Matlab的Real-Time Windows Target把滤波器的Simulink仿真模型转换为实时程序。把程序模拟生成的方位和俯仰振动信号分别输出给两个正交放置的摆镜,通过摆镜的摆动来模拟平台振动对激光束光轴方向的影响。通过使用CCD对激光光斑脱靶量进行实时检测并分析脱靶量功率谱,验证了模拟结果的可信度。展开更多
目的目前,骨关节炎(osteoarthritis,OA)的动物模型多根据某一致病因素而设计,而OA是综合因素的临床过程。文中评价叠加法制作OA模型的可行性,探讨造模后膝关节骨密度(bone mineral density,BMD)改变及软骨基质金属蛋白酶-13(matrixmetal...目的目前,骨关节炎(osteoarthritis,OA)的动物模型多根据某一致病因素而设计,而OA是综合因素的临床过程。文中评价叠加法制作OA模型的可行性,探讨造模后膝关节骨密度(bone mineral density,BMD)改变及软骨基质金属蛋白酶-13(matrixmetalloproteinase,MMP-13)的表达。方法实验组30只兔行结扎股静脉并切断腓肠肌内外侧头造模,术后4、8、12周测量膝关节4个目的区(ROI)BMD后处死动物。对照组10只12周处死。取胫骨髁关节软骨作组织学、免疫组化定量分析。结果造模后4周可见软骨面粗糙。8周有滑膜增生,软骨面纤维化、糜烂,簇聚肥大软骨细胞。12周出现软骨面剥脱,骨质裸露,骨赘形成等。造模后4周R2和R3区BMD增高,R4区于8周BMD下降。4周时软骨MMP-13平均光密度(average optical density,AOD)升高是对照组的4倍,后迅速下降,12周仍较对照组高。结论叠加法制作OA模型,效果确实,简单易行。造模后不同目的区BMD有改变,关节不稳、应力改变是其主要原因。MMP-13早期明显升高,提示MMP-13可能主要在OA早期起作用。展开更多
文摘高光谱图像可以获取波段连续的图谱合一的立体数据,其具有丰富的图谱信息,能区分不同物质的类别,被广泛应用于各种遥感勘测领域。但在实际中高光谱图像的标注需要耗费大量的人力、财力和时间,可用的标注样本数量较少,难以通过训练来获得准确的分类结果,所以针对于只有少量标记样本的高光谱图像分类是一个挑战。近年来,自监督学习(Self-supervised Learning,SSL)已成为一种有效的方法,可以减少高光谱图像分类对昂贵的数据标注的依赖。SSL方法通过学习在同一图像的不同视图之间产生的潜在特征,在自然图像分类中取得了较高的分类精度。为了探索SSL方法在高光谱图像分类中的潜力,一种Bootstrap Your Own Latent(BYOL)框架下的自监督高光谱图像分类方法(BSSL)被提出。该方法通过引用自监督的图像特征学习框架BYOL,可以不需要负样本对,利用空间光谱相似的同类样本对进行网络训练及参数微调,提取到更具判别性特征。具体来说,该方法主要包括四个部分:BYOL的预训练、超像素聚类、基于“相似对”的BYOL的再训练和最终分类。为了验证该方法的有效性,在三个公开数据集上进行测试,并与五种先进的无监督、自监督分类方法SuperPCA、S3PCA、ContrastNet、SSCL和N2SSL进行对比,在Indian Pines和Salinas数据集上,BSSL方法的总体分类精度(OA)、平均分类精度(AA)、Kappa系数、召回率(recall)和f1分数(f1-score)都取得了更优值。其中在Indian Pines数据集上,OA分别比SuperPCA,S3PCA,ContrastNet,SSCL和N2SSL提高了1.32%,1.05%,5.68%,3.12%和1.27%。而在University of Pavia数据集上,BSSL方法表现没有那么出色,但在综合分类性能上也表现最优。这表明BSSL方法更适用于地物区域面积较大且分布较集中的场景,因为这对于超像素聚类来说更友好。
文摘根据SILEX和Landsat平台振动功率谱设计滤波器的幅频响应,通过滤波器对高斯白噪声进行滤波来模拟生成平台振动信号。用Matlab的Real-Time Windows Target把滤波器的Simulink仿真模型转换为实时程序。把程序模拟生成的方位和俯仰振动信号分别输出给两个正交放置的摆镜,通过摆镜的摆动来模拟平台振动对激光束光轴方向的影响。通过使用CCD对激光光斑脱靶量进行实时检测并分析脱靶量功率谱,验证了模拟结果的可信度。
文摘目的目前,骨关节炎(osteoarthritis,OA)的动物模型多根据某一致病因素而设计,而OA是综合因素的临床过程。文中评价叠加法制作OA模型的可行性,探讨造模后膝关节骨密度(bone mineral density,BMD)改变及软骨基质金属蛋白酶-13(matrixmetalloproteinase,MMP-13)的表达。方法实验组30只兔行结扎股静脉并切断腓肠肌内外侧头造模,术后4、8、12周测量膝关节4个目的区(ROI)BMD后处死动物。对照组10只12周处死。取胫骨髁关节软骨作组织学、免疫组化定量分析。结果造模后4周可见软骨面粗糙。8周有滑膜增生,软骨面纤维化、糜烂,簇聚肥大软骨细胞。12周出现软骨面剥脱,骨质裸露,骨赘形成等。造模后4周R2和R3区BMD增高,R4区于8周BMD下降。4周时软骨MMP-13平均光密度(average optical density,AOD)升高是对照组的4倍,后迅速下降,12周仍较对照组高。结论叠加法制作OA模型,效果确实,简单易行。造模后不同目的区BMD有改变,关节不稳、应力改变是其主要原因。MMP-13早期明显升高,提示MMP-13可能主要在OA早期起作用。
