基于TCP-GAN的热带气旋路径预测

准确预测热带气旋路径对于中国沿海地区的防灾减灾具有重要作用.卫星数据是预测热带气旋的重要手段,针对现有方法生成的卫星图像不够清晰,很难准确判断热带气旋云系的轮廓,提出了一种基于TCP-GAN的热带气旋路径预测方法.采用了生成对抗网络,并加入了感知损失,使得生成的图像更加细致.模型在不同输入图像序列长度(2、4和6)下进行试验,结果表明,当长度为4时,此时的路径误差是最小的,约为45.36 km.此外,进行了滚动预测,以验证模型在12、18和24 h的预测性能,提出的热带气旋路径预测模型生成的图像能够很好地描述云系的细致纹理结构,预测的路径误差相比于同类方法也更小.

融合物理信息的热带气旋强度估计

热带气旋强度的精确估计是进行有效强度预测的基础工作,对于灾害预报至关重要.当前基于深度学习的热带气旋强度估计技术展现出了优越的性能,但仍然存在着物理信息融合不足的问题.因此,本文基于深度学习框架,提出一种融合物理信息的热带气旋强度估计模型(physical factor fusion for tropical cyclone intensity estimation,PF-TCIE),来估计西北太平洋的热带气旋强度.PF-TCIE由多通道卫星云图学习分支和物理信息提取分支组成.多通道卫星云图学习分支用于提取热带气旋云系特征,物理信息提取分支用于提取物理因子特征,来约束云系特征的学习.本文数据选用葵花-8卫星资料和ERA-5再分析资料.实验证明,在引入多个通道后,模型的RMSE误差较单通道降低了3.7%.同时,物理信息的引入使模型的误差进一步下降了8.5%.PF-TCIE的RMSE最终达到了4.83 m/s,优于大部分深度学习方法.

基于语义引导与多尺度增强的遥感影像分割网络

遥感影像语义分割在环境监测、土地覆盖分类和城市规划等领域发挥着至关重要的作用.卷积神经网络及其改进模型是遥感影像语义分割的主流方法,但此类方法更加关注局部上下文特征的学习,无法有效建模不同物体之间的全局分布关系,进而制约了模型的分割性能.为了解决该问题,本文在卷积神经网络的基础上,构建了全局语义关系学习模块,充分学习不同物体之间的共生关系,有效地增强了模型的表征能力.此外,考虑到同一场景中,待分割物体的尺度存在差异性,构建了多尺度关系学习模块,以融合不同尺度的全局语义关系.为了评估模型的性能,本文在Vaihingen和Potsdam两个常用的遥感影像数据集上进行了充分的实验.实验结果表明,本文方法能够获得比已有的基于卷积神经网络的模型更高的分割性能.

谱间对比学习的高光谱图像无监督特征提取

深度学习通过逐层抽象的方式提取输入数据的深层特征,近年来在高光谱图像分类领域得到了广泛的应用。现有的高光谱图像深度特征提取方法大多属于有监督学习模型,其训练过程需要大量标记样本,而高光谱图像逐像素的标注困难且费时。为此,本文提出了一种基于谱间对比学习的无监督深度学习模型。无须对样本进行标注,仅通过建模不同光谱波段之间的关系便可实现特征提取。具体而言,由于高光谱图像不同的光谱通道刻画了同一物体在不同电磁波段的响应程度,因此必然存在一个特征空间,使得不同通道的光谱信息具有相似的表征。受此启发,本文首先将高维光谱信息分成两组,然后利用多层卷积操作分别提取每组波段的特征,最后对比不同样本所提取的特征,通过对比损失函数来优化模型。为了测试本文方法的性能,将其应用于高光谱图像分类任务中,在Houston 2013、Pavia University和WHU-Hi-Longkou 3个常用的数据集上进行了验证。试验结果表明,在每类仅使用10个训练样本的前提下,本文所提出的无监督学习模型能够获得比主成分分析、自编码器等常见的无监督模型更优越的分类性能。

基于随机L-BFGS的二阶非凸稀疏优化算法

在稀疏模型中普遍采用一阶优化算法进行学习,这些算法的普遍思路都是将迭代硬阈值算法与优化算法进行结合。相较于一阶优化算法,二阶优化算法很少被应用到稀疏优化问题中,因为Hessian矩阵及其逆矩阵的计算需要消耗极大的算力资源。所以为了有效且高效地利用二阶信息,提出一种新的随机L-BFGS硬阈值优化算法用于解决非凸的稀疏学习问题,算法将迭代硬阈值方法(IHT)引入随机L-BFGS算法,在保持模型性能的同时显著提升了算法的收敛速度,并在线性回归和逻辑回归上的实验结果上证明了新算法的优越性。

基于类加权YOLO网络的水下目标检测

由于水下目标检测面临着图像模糊、尺度多样化、复杂背景等问题,给水下目标检测应用带来很多挑战.本文提出了一种基于类加权YOLO网络的水下目标检测方法,主要思想是在深度网络YOLO的基础上,构造了类加权损失函数,来平衡样本难易程度以获得更好的效果,并引入了目标框自适应维度聚类方法,进一步提升了检测性能.实验结果表明,本文算法与传统的YOLO网络模型相比,在每幅图片包含近20个目标的密集目标检测任务中,能够将平均准确率从71.2%提升至74.1%,召回率由71.1%提升到78.3%.

基于低秩表示的乳腺癌病理图像有丝分裂检测

人工检测和计算有丝分裂细胞的过程非常冗长,而且不同病理医生之间的诊断结果有较大差异性,因此,在临床中迫切希望有定量的计算机辅助自动检测方法。提出了一种基于低秩表示的计算机辅助自动检测有丝分裂方法,将有丝分裂细胞看做低秩表示中的稀疏部分,非有丝分裂部分看做低秩部分。在ICPR 2012有丝分裂竞赛提供的有丝分裂图片数据库上的实验结果表明,和已有的基于模式识别的检测方法相比,该方法能够获得较高的F-measure和recall值,分别为0.59和0.56。

基于稀疏图正则矩阵判别分析的高光谱图像分类

光谱和空间信息的联合使用是高光谱图像分类领域的研究热点之一.本文在已有的矩阵判别分析(MDA)模型的基础上,提出了一种基于稀疏图正则的改进模型.在有效融合高光谱图像光谱-空间信息的同时,能充分挖掘无标签样本的信息,从而提升了模型的分类性能.为了验证本文算法的有效性,在两个高光谱数据集上,与多种方法进行了对比.实验结果表明,本文提出的算法优于其他同类算法.

模态间匹配学习的高光谱和激光雷达联合分类

如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量。为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性。具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签。然后,利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成,每个分支负责提取单个模态的特征。最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能。

渐进式多尺度因果干预航拍图像分割

目的航拍图像分割为遥感领域中许多实际应用提供支撑。与传统方法相比,深度学习方法能够自适应地学习与任务相关的特征,极大提升了分割精度,但忽略了数据集中的偏置问题。由偏置引起的混杂因子干扰使分割方法容易获得模糊的物体边缘,并且难以区分易混淆物体。针对这个问题,提出了一种基于渐进式多尺度因果干预的模型。方法首先,使用深度卷积神经网络提取航拍图像的卷积特征。然后,解混杂模块引入类别隐特征,近似表示混杂因子特征。同时,使用混杂因子特征以因果干预的方式将卷积特征分解成对应每一种混杂因子下的特征表示,抑制特定混杂因子的干扰。最后,由深层解混杂特征得到的分割结果,经过融合模块指导浅层解混杂特征生成分割结果,以此得到每个尺度的分割结果,并以加权求和的方式得到最终分割结果。结果实验在公开的航拍图像数据集Potsdam和Vaihingen上进行,与6种先进的深度学习分割方法和7种公开的基准方法进行对比。本文方法在Potsdam和Vaihingen数据集中的总体准确率分别为90.3%和90.8%,相比性能第2的深度学习方法分别提高了0.6%和0.8%。与性能第2的基准方法相比,本文方法在Potsdam和Vaihingen数据集上的总体准确率分别提升了1.3%和0.5%。结论本文提出的分割模型能够有效缓解数据集中的偏置问题,提升了航拍图像分割性能。

融合定位信息的热带气旋强度估计

目的精确估计热带气旋的强度有助于提升天气预报和预警的准确性。随着深度学习技术的不断发展,基于卷积神经网络(convolutional neural network,CNN)的方法已应用于强度估计任务中。然而,现有方法仍存在许多问题,例如无法充分利用不同波段的卫星图像信息、输入图像以热带气旋的定位为中心等限制,从而产生较大误差,影响实时估计的结果。针对以上问题,本文提出一种融合定位信息的强度估计网络IEFL(intensity estimation fusing location),提升强度估计的准确率。方法模型采用双分支结构,能有效融合不同波段的图像特征,同时可以同步优化两个任务,达到互相促进的效果。此外,模型对强度估计任务做了定位的特征融合,将得到的定位特征图与强度特征图进行拼接,共同输出最后的强度结果,通过利用定位信息达到提升强度估计精度的目的。结果本文在完成热带气旋强度估计的同时,可获取较好的热带气旋中心定位结果。收集了2015—2018年葵花-8卫星多通道图像用以训练模型,并在2019和2020年的数据上进行测试。结果表明,融合定位信息后模型的强度估计均方根误差为4.74 m/s,平均绝对误差为3.52 m/s。相比传统单一强度估计模型误差分别降低了7%和9%。结论IEFL模型在不依赖定位准确率的同时,能够有效提升强度估计的准确率。