基于知识自蒸馏的轻量化复杂遥感图像精细分类方法

基于遥感图像开展地物要素分类和提取,是构建数字化战场环境的技术基础,面临着场景多变、类别多样、噪声干扰等挑战.经典深度学习模型结构复杂、计算量大,难以满足低性能、低功耗边缘计算环境下的实时信息处理要求.提出了一种基于知识自蒸馏的轻量化复杂遥感图像精细分类方法,通过构建一步式自蒸馏框架,实现网络从高层到低层的知识迁移.同时通过金字塔池化融合不同尺度的特征信息,显著提升全局上下文信息的利用率,解决轻量化分类模型由于参数较少、复杂度低,导致场景精细分类精度低的难题.在Vaihingen等公开遥感数据集和我国高分遥感数据集上开展实验,较国际同类方法具有更优的分类性能.

夜宿戈壁“盼”寒露

2014年国庆节,我们去了一趟内蒙古.沿途景色宜人一蓝天下是绚烂的胡杨树叶,荒漠中静静流淌着金色沙粒,车窗外驰骋着独特的异域风物……但这些都没有帐篷上不见一滴水的现象让人印象深刻.

中国股债市场的非对称联动效应分析--基于PVAR的方差分解模型

股权与债权融资是企业直接融资的主要方式,针对股债联动效应的研究,可促进通过跨市场交易来优化资源配置,从内生动力上提高直接融资比重。笔者以103家上市企业2012—2016年债券和股票季度面板数据为样本,首次运用收益方差分解模型对中国上市企业股票和债券的非预期超额收益进行分解;通过PVAR模型及GARCH模型,分别得到企业股票与债券的非预期超额收益波动序列以及市场波动率,以此分析股债联动效应特征以及影响股债相关性的因素。研究结果表明股票与债券之间的整体联动效应较弱,且具有非对称性。股票收益波动无论是企业层面还是市场层面均未对债券产生显著影响,而债券市场波动对股票体现出显著的影响;股票的波动性和活跃度会增强股债相关性,债券市场对联动性却没有显著影响;同时货币流动性、通胀率等宏观因素对股债相关性没有显著作用,但对股票和债券各自的波动均表现出显著影响。

浅谈如何利用短视频增强大学对外汉语教学的趣味性

近些年来,中国的经济水平高速发展,国际地位显著提高,而有着几千年历史的汉语作为中国的标志性语言吸引了许多外国学生的注意力。汉语作为传播中国文化的桥梁,在各个国家的影响力空前提升。截至2015年底,据汉办官方统计,全球汉语学习人数已突破一亿人,全球孔子学院数量已突破五百所。至2016-2017年,全球汉语学习人数在1.5亿-2亿之间。[1]虽然学习汉语的人数逐年增加,孔子学院在世界各高校学府落地生根,但是,我们也要清醒地认识到,汉语教学仍然面临很多问题和挑战,例如:教材过于陈旧、教师授课方式单一且传统、实用性差吸引力不够、学生对于第二语言学习的生理排斥等等,使得教学的难度在攀升。这就要求我们必须迎难而上,不断提升教师素养、教学能力、教学技巧等多方面素质,积极拓展新的教学手段、教学方式、教学平台,以增强对外汉语课堂的趣味性。

改革开放以来超大城市产业结构的研究——以T市为例

1978年中国开始了改革开放和社会主义现代化建设的新时期,T市作为中国的直辖市,改革开放四十多年来,经济社会发展取得辉煌成就,经济总量快速增长、发展质量不断提升、产业结构不断完善。本篇文章主要通过对1978—2018年T市统计年检表的分析,进行产业结构趋势预测。产业结构的发展情况是T市经济健康发展的衡量指标,本次研究希望对整个T市经济产业发展提供科学见解。

童年的肉夹馍

我六岁那年,爷爷带我和弟弟去嘉峪关看望他的老友。他说那里有美如画的风景、馋掉人舌头的肉夹馍,我和弟弟一听就心动了,答应一起去。不过,爷爷说,要想吃肉夹馍,就只能坐慢车,坐硬座,把钱省出来。我们对快车、慢车没什么概念,只要有好看的、好吃的就行。就这样,我们满心欢喜地跟着爷爷出了门。

理发匠老李爷爷

“二月二剃龙头,一年都有精神头!”奶奶说要带我和弟弟去理发。:我们高高兴兴地出了门,可一听说又是去老李头那儿,我瞬间就没有了精气神,不情不愿地跟在奶奶后面。

遥感跨模态智能解译:模型、数据与应用

以深度学习为代表的人工智能技术已被广泛应用于遥感图像解译中.相比自然场景图像,遥感图像具有载荷类型多、成像机理差异大等特点,使得现有面向单传感器、纯数据驱动的智能解译方法应用到不同模态数据时,性能上限难以突破.尤其在面向多传感获取的、大范围的、目标种类较多的复杂应用场景时,实际性能受限更为严重.本文主要对遥感智能解译结合多模态数据和多任务学习的研究工作进行综述,重点从基本概念、研究方法和应用场景3个方面进行展开.并且介绍了基于分域提取和跨域融合理念设计的模型架构,通过从海量多模态数据中提取通用特征,实现单个基础模型完成多类下游任务的泛化解译,在不同模态解译任务中表现优异,并实际应用推广.最后,对遥感多模态多任务学习未来技术发展方向进行展望.

数据受限条件下的多模态处理技术综述

随着多媒体技术的发展,可获取的媒体数据在种类和量级上大幅提升。受人类感知方式的启发,多种媒体数据互相融合处理,促进了人工智能在计算机视觉领域的研究发展,在遥感图像解译、生物医学和深度估计等方面有广泛的应用。尽管多模态数据在描述事物特征时具有明显优势,但仍面临着较大的挑战。1)受到不同成像设备和传感器的限制,难以收集到大规模、高质量的多模态数据集;2)多模态数据需要匹配成对用于研究,任一模态的缺失都会造成可用数据的减少;3)图像、视频数据在处理和标注上需要耗费较多的时间和人力成本,这些问题使得目前本领域的技术尚待攻关。本文立足于数据受限条件下的多模态学习方法,根据样本数量、标注信息和样本质量等不同的维度,将计算机视觉领域中的多模态数据受限方法分为小样本学习、缺乏强监督标注信息、主动学习、数据去噪和数据增强5个方向,详细阐述了各类方法的样本特点和模型方法的最新进展。并介绍了数据受限前提下的多模态学习方法使用的数据集及其应用方向(包括人体姿态估计、行人重识别等),对比分析了现有算法的优缺点以及未来的发展方向,对该领域的发展具有积极的意义。