基于层级Transformer的高光谱图像分类方法

高光谱图像分类将每个像素分类至预设的地物类别,对环境测绘等各类地球科学任务有着至关重要的意义。近年来,学者们尝试利用深度学习框架进行高光谱图像分类,取得了令人满意的效果。然而这些方法在光谱特征的提取上仍存在一定缺陷。本文提出一个基于自注意力机制的层级融合高光谱图像分类框架(hierarchical self-attention network,HSAN)。首先,构建跳层自注意力模块进行特征学习,利用Transformer结构中的自注意力机制捕获上下文信息,增强有效信息贡献。然后,设计层级融合方式,进一步缓解特征学习过程中的有效信息损失,增强各层级特征联动。在Pavia University及Houston2013数据集上的试验表明,本文提出的框架相较于其他高光谱图像分类框架具有更好的分类性能。

数字合成X射线体层成像的小波-伽辽金重建算法

数字合成X射线体层成像技术的重建问题是在有限投影数据条件下的病态重建问题。本文通过分析数字合成X射线体层成像技术的系统模型,获得重建问题的系统方程。在对系统方程进行正则化改造的基础上,提出了一种新的重建算法——自适应小波-伽辽金重建算法。该算法融合了伽辽金方法的计算简洁和小波内在的多尺度特性,更好地适应了待重建图像的求解。仿真实验结果表明,与ART重建算法相比,自适应小波-伽辽金重建算法在保证重建质量前提下能加快收敛,从而大大地节省了计算时间。

偏微分方程参数识别问题的遗传程序设计方法

采用遗传程序设计方法来求解偏微分方程的参数识别问题,用遗传程序设计优化参数的模型结构,成功实现了对偏微分方程参数的反演。数值实验表明,采用此算法能使计算机自动搜索到满足条件的解,该方法的研究可为偏微分方程的参数识别提供一个有效的工具。

一种偏微分方程间断点的反演方法

本文研究了一种抛物型方程间断参数的识别问题.利用未知间断点作为反演点和遗传算法优化参数,获得了间断点和反演解.数值实验结果表明反演解和真实解非常接近.

二维抛物型方程反问题的数值解法

用遗传程序设计反演二维抛物型方程右端函数模型并在求解右端函数的适应值评价中我们采用正则化来解决反演中的不适定问题。数值实验结果表明采用此算法为高维的抛物型方程的反演问题提供了一种崭新的实用方法。

Servlet技术及其在网上结算系统中的应用

Servlet是Java里自带的用于网络服务的新兴扩展服务器技术,由于其旺盛的生命力,目前各大计算机公司几乎都在其Web服务器上加强了对Servlet的支持与服务。文章将对Servlet技术的工作原理,Servlet的运行环境、功能等作一系统的介绍,并以网上结算系统为实例探讨利用Servlet技术开发服务器端小应用程序的优势所在。

基于改进正则化方法的有限角度CT图像重建算法

本文提出了一种基于改进正则化方法的有限角度CT图像重建算法。该算法基于同伦映射的思想,改进了Tikhonov正则化方法。对于算法中的正则化参数,引入了一种下降速率可调的连续参数修正方法,有效地避免了由于试探正则化参数而带来的不便,从而提高了求解效率。实验结果表明,该方法可以快速地确定在该种条件下最优的正则化参数,进而得到较好的重建结果。

“超高速流场条件下红外探测与识别技术”专栏序言

超高速流场条件下红外探测与识别技术是高超声速飞行器制导控制的关键技术,依靠高超声速飞行器搭载的红外探测器,在高温、高速、高动态条件下,实现对目标的可靠探测和精确识别。该技术对增强高超声速武器系统的整体作战能力、确保信息化局部战场上的精确打击优势具有重要意义,已成为国家“十四五”极为重要的研究课题。为了促进相关人员在该技术及其应用领域中交流最新成果。

有限角度CT重建方法

计算机断层成像技术(Computed Tomography,CT)技术已经被广泛应用于医学诊断、工业无损探伤以及安全检查等领域。然而在实际应用中,很多情况下并不能采集到完全角度下的投影数据,例如成像系统设计的限制等。利用有限角度下的投影数据进行图像重建被称为X射线成像有限角度重建。本文介绍了两种有限角度CT迭代重建方法,并对其重建结果进行了比较和评价。

高光谱遥感影像异常目标检测研究进展

随着航空航天技术与遥感技术的不断发展,遥感影像在诸多领域的应用不断拓展,其中高光谱分辨率遥感影像具有“图谱合一”的特点,即该数据既包含了具有强大区分性的地物光谱信息,又包含了丰富的地物空间位置信息,因此高光谱数据具有非常大的应用潜力。高光谱异常目标检测问题,是在对目标先验信息未知的前提下,根据光谱与空间信息实现对区域中的异常目标的进行“盲”检测,因此其在资源调查、灾害救援等领域发挥了巨大的作用,是遥感领域非常重要的研究课题。本文针对高光谱遥感影像异常目标检测研究方向,首先总结阐述了目前高光谱异常目标检测问题的主要研究进展,根据算法原理的不同对现有主流算法进行了分类与总结,主要分成了基于统计学、基于数据表达、基于数据分解、基于深度学习等不同的种类的方法,并对每类方法的特点进行分析。随后通过对现有方法的调研、分析与总结,提出了数据库拓展、多源数据融合、算法实用化等高光谱异常检测研究未来发展的3个方向。

基于多模型协同的舰船目标检测

随着遥感成像技术的不断进步,遥感图像的舰船目标检测已成为确保海上运输安全和效率的关键手段,对海上交通、环境保护及国家安全至关重要。然而,由于舰船目标尺度差异大、背景复杂等问题,现有单一检测模型的方法过度依赖训练数据,无法适应尺度多变的舰船目标。提出了一种多模型协同训练的框架,利用多个已训练好的舰船检测模型作为辅助网络,通过知识迁移的方式辅助优化目标数据的主网络。首先,通过三元关系约束建立辅助网络与主网络间的分布知识传递;其次,采用软标签引导策略整合辅助网络中的标签知识,提高舰船检测的准确性。实验结果表明:相较于现有主流方法,所提方法在DOTA和xView数据集上展示了较好的性能,克服了单一模型的局限性,为遥感图像的目标检测提供了新的解决思路。

垂直排列的六方氮化硼基忆阻器中的突触可塑性

下一代计算系统需要实现每秒1018次浮点运算以解决感知终端数据呈指数增长的问题,这是由人工智能和物联网的进步驱动的.即使超级计算机具备执行这些操作的能力,但当电子突触阵列达到与人类神经网络相当规模时,管理热耗散就成为一个重要挑战.解决电子设备中热点问题的潜在方案之一是使用垂直排列的六方氮化硼(h-BN),这种材料以其高导热性而闻名.在本研究中,我们使用高功率脉冲磁控溅射技术开发了纹理化的h-BN薄膜.定向的h-BN薄膜的热导率约为随机定向对应物的354%.通过制备基于纹理化h-BN薄膜的电子突触,我们展示了该器件中的各种生物突触可塑性.我们的研究结果表明,通过方向工程,可以有效使h-BN成为一种适用的自散热层,从而为未来可穿戴记忆设备、太阳能电池和神经形态器件铺平道路.

珠海一号高光谱场景分类数据集

高空间分辨率、高光谱分辨率、大幅宽与大数据量是高光谱卫星数据发展趋势,传统高光谱影像的像素级分类面临难以处理海量数据、无法高效获取复杂海量影像中隐含信息的困境。已有研究开始关注高光谱影像的场景级分类,并逐步建立完善高光谱遥感场景分类数据集。然而,目前的数据集制作过程多参考高空间分辨率可见光遥感场景数据集的制作方法,主要采用遥感影像的空间信息进行场景类别解译,忽视了高光谱场景的光谱信息。因此,为构建高光谱影像的遥感场景分类数据集,本文利用“珠海一号”高光谱卫星拍摄的西安地区高光谱数据,使用无监督光谱聚类辅助定位、裁剪与标注待选场景样本,结合Google Earth高分影像进行目视筛选,构建6类场景类型和737幅场景样本的珠海一号高光谱场景分类数据集。并基于光谱与空间两个视角开展场景分类实验,通过视觉词袋、卷积神经网络等方法的基准测试结果,对不同算法在现有多光谱和高光谱遥感场景分类数据集下的性能进行深入分析。本研究可为后续的高光谱影像解译研究提供了有力的数据支撑。

跨域遥感场景解译研究进展

遥感对地观测中普遍存在多平台、多传感器和多角度的多源数据,为遥感场景解译提供协同互补信息。然而,现有的场景解译方法需要根据不同遥感场景数据训练模型,或者对测试数据标准化以适应现有模型,训练成本高、响应周期长,已无法适应多源数据协同解译的新阶段。跨域遥感场景解译将已训练的老模型迁移到新的应用场景,通过模型复用以适应不同场景变化,利用已有领域的知识来解决未知领域问题。本文以跨域遥感场景解译为主线,综合分析国内外文献,结合场景识别和目标识别两个典型任务,论述国内外研究现状、前沿热点和未来趋势,梳理总结跨域遥感场景解译的常用数据集和统一的实验设置。本文实验数据集及检测结果的公开链接为:https://github.com/XiangtaoZheng/CDRSSI。

基于深度学习的单光子非视域成像泊松降噪

在非视域成像场景中,有效的回波光子大量减少,泊松噪声对非视域成像的质量影响较大。传统图像泊松降噪算法存在迭代时间长、模式固定和手动设置参数等问题。为提高非视域成像质量,设计一种基于深度学习的单光子非视域成像泊松降噪方法。为解决训练样本不足的问题,利用几何光学近似和蒙特卡罗方法对非视域场景下的光子运动轨迹进行追踪建模,对非视域成像过程进行仿真,利用仿真数据重建的泊松噪声图像制作数据集。设计基于注意力机制的特征增强降噪网络(AEF-Net),利用仿真数据对网络进行优化训练。最后,搭建一套非视域成像系统对网络的泊松降噪性能进行验证。实验结果表明所提AEF-Net去除非视域场景下的泊松噪声效果优于传统降噪算法。

基于局部选择Vision Transformer的遥感场景分类算法

遥感场景分类旨在为航空图像指定特定的语义标签,是遥感图像解译中一个基础且重要的任务。现有的研究主要利用卷积神经网络(CNN)学习全局和局部特征,提高网络的判别性表达。然而基于CNN的方法的感受野在建模局部特征的远程依赖性方面存在局限性。近年来,Vision Transformer(ViT)在传统的分类任务中表现出了强大的性能。Transformer的自我注意力机制将每个Patch标记与分类标记连接起来,捕捉图像像素之间的上下文关系,考虑空间域中的全局信息。提出一个基于局部选择ViT的遥感场景分类网络。首先将输入图像分割成小块的Patch,将其展开转换成序列,并进行位置编码添加到序列中;然后将得到的序列输入编码器中;除此之外,为了学习到局部判别特征,在最后一层输入前加入局部选择模块,选择具有判别性的Token作为输入,得到最后用于分类的输出。实验结果表明,所提方法在两个大型遥感场景分类数据集(AID和NWPU)取得不错的效果。

基于乘性正则化的有限角度CT重建算法

计算机层析(CT)扫描过程中,为了加快速度,同时减少X射线对人体的伤害,在有限角度下采样少量的投影数据进行不完全数据重建就显得非常重要。基于总变分最小化的图像迭代重建算法,能够较好地应用于有限角度CT重建,然而,其最小化函数的权值参数必须通过大量的实验观察比较才能被确定。即便这样,得到的参数往往也不是最优的。为此,引入了一种基于乘性正则化的迭代重建算法,将总变分函数作为最小化函数的一个因子,在具有总变分方法优点的同时,能够在迭代过程中自适应地调整正则化参数。仿真实验验证了该算法的有效性。

自外而内的单幅图像超分辨率复原算法

单幅图像超分辨率(SR)复原是一个病态逆问题,需要利用图像的先验知识进行正则化约束。提出了一种同时考虑外在样例和内在自相似性的单幅图像SR复原算法,其中外在先验知识是通过卷积神经网络从外在低分辨率-高分辨率图像对学习得到的,而内在先验约束由聚类和低秩近似实现。实验结果表明,本方法在复原效果和稳健性方面优于已有方法。

Dense RFB和LSTM遥感图像舰船目标检测

针对当前遥感图像舰船目标检测精度不佳问题,本文构建舰船目标数据集STAR,提出基于Dense RFB和LSTM多尺度舰船目标检测算法。该算法首先在SSD网络基础上设计了浅层特征增强模块,基于人眼视点图采用Dense RFB特征复用和膨胀卷积增大感受野的尺度和种类,增强浅层网络对细节特征的提取能力;其次设计了深层多尺度特征金字塔融合模块,采用FPN和LSTM思想,基于反卷积和残差网络对深层不同尺度特征进行融合,增强网络结构非线性和特征层的表征能力;最后加入聚焦分类损失函数进行联合训练,有效避免了正负样本失衡问题。在遥感图像舰船数据集上实验,本文所提舰船目标检测算法精度均值达到81.98%,检测速度达到29.6帧/s。此外,遥感图像中成像模糊、被遮挡、部分被裁剪等舰船目标的检测效果也优于原有经典算法,实验结果表明该算法对遥感图像舰船目标检测的泛化能力较强,有效地提高了遥感图像舰船目标检测的精度。

面向小目标检测的卫星视频跟踪算法

遥感卫星的多目标跟踪任务面监目标弱小,场景多样等挑战。为此,提出了一种高分辨率遥感卫星视频的多目标跟踪算法。在检测阶段,构建小目标检测器,首先在主干网络中通过Transformer捕获全局的上下文信息,然后利用注意力机制增强目标特征,最后添加了一个预测小目标的分支;在轨迹关联阶段,将检测出的小目标与已有轨迹匹配,采用关注低置信度检测的关联算法。本文选取高分辨率遥感卫星视频进行测试,测验结果表明本文提出的方法在遥感卫星视频中的多目标跟踪数据集上的MOTA指标达到63.1%,相较于基准(baseline)模型提升13.5%,能够显著提升遥感卫星视频中多目标跟踪的性能。