多源遥感图像配准技术综述

从成像光谱特性、成像分辨率和成像模式等方面对可见光、红外、高光谱和合成孔径雷达传感器的成像特点进行分析,根据一致性特征描述方法对多源遥感图像配准算法进行分类,指出多源遥感图像具有成像特性变化大、相关度小、匹配特征的空间分布不均匀等特点,其配准技术的关键在于提取不变的图像特征以及得到有效的匹配特征。

职业技术教育的专业实习

专业实习是职业技术学校教学工作中必不可少的重要的组成部分。根据近年来各地创办职业技术学校的经验和我校的实践,搞好专业实习工作,需认真做好以下几方面的工作: 一、重视和加强实习基地的建设。在目前教育经费紧张来源不畅的情况下,学校要从现实出发,采取多形式、多渠道、多方法予以解决:

“三维视觉—语言”推理技术的前沿研究与最新趋势

三维视觉推理的核心思想是对点云场景中的视觉主体间的关系进行理解。非专业用户难以向计算机传达自己的意图,从而限制了该技术的普及与推广。为此,研究人员以自然语言作为语义背景和查询条件反映用户意图,进而与点云的信息进行交互以完成相应的任务。此种范式称做“三维视觉—语言”推理,在自动驾驶、机器人导航以及人机交互等众多领域广泛应用,已经成为计算机视觉领域中备受瞩目的研究方向。过去几年间,“三维视觉—语言”推理技术迅猛发展,呈现出百花齐放的趋势,但是目前依然缺乏对最新研究进展的全面总结。本文聚焦于两类最具代表性的研究工作,锚框预测和内容生成类的“三维视觉—语言”推理技术,系统性概括领域内研究的最新进展。首先,本文总结了“三维视觉—语言”推理的问题定义和现存挑战,同时概述了一些常见的骨干网络。其次,本文按照方法所关注的下游场景,对两类“三维视觉—语言”推理技术做了进一步细分,并深入探讨了各方法的优缺点。接下来,本文对比分析了各类方法在不同基准数据集上的性能。最后,本文展望了“三维视觉—语言”推理技术的未来发展前景,以期促进该领域的深入研究与广泛应用。

面向三维点云的域自适应学习

三维点云数据在自动驾驶、机器人和高精地图等领域得到了广泛应用。目前,基于深度学习的三维点云数据处理主要基于有监督学习,其算法性能依赖于大规模高质量的标注数据集。此外,仅在单一设备与场景中训练的三维点云数据处理模型难以应用于不同设备与环境,泛化性能有限。因此,如何减少三维点云标注数据集的需求以及提高三维点云处理模型的适应性是当前三维点云数据处理面临的重要难题。作为迁移学习的一个重要分支,域自适应学习旨在不同域间特征分布存在差异的情况下提高模型的适应性,可为解决上述难题提供重要思路。为便于对点云域自适应学习领域进行更深入有效的探索,本文主要从对抗学习、跨模态学习、伪标签学习、数据对齐及其他方法5个方面对近年来的三维点云域自适应学习方法进行了系统梳理与分类归纳,并分析总结每类点云域自适应学习方法所具备的优势及面临的问题。最后,对三维点云域自适应学习研究领域的未来发展进行了展望。

红外与可见光图像特征动态选择的目标检测网络

目的基于可见光和红外双模态图像融合的目标检测算法是解决复杂场景下目标检测任务的有效手段。然而现有双光检测算法中的特征融合过程存在两大问题:一是特征融合方式较为简单,逐特征元素相加或者并联操作导致特征融合效果不佳;二是算法结构中仅有特征融合过程,而缺少特征选择过程,导致有用特征无法得到高效利用。为解决上述问题,提出了一种基于动态特征选择的可见光红外图像融合目标检测算法。方法本文算法包含特征的动态融合层和动态选择层两个创新模块:动态融合层嵌入在骨干网络中,利用Transformer结构,多次对多源的图像特征图进行特征融合,以丰富特征表达;动态选择层嵌入在颈部网络中,利用3种注意力机制对多尺度特征图进行特征增强,以筛选有用特征。结果本文算法在FLIR、LLVIP(visible-infrared paired dataset for low-light vision)和VEDAI(vehicle detection in aerial imagery)3个公开数据集上开展实验验证,与多种特征融合方式进行平均精度均值(mean average precision,mAP)性能比较,mAP50指标相比于基线模型分别提升了1.3%、0.6%和3.9%;mAP75指标相比于基线模型分别提升了4.6%、2.6%和7.5%;mAP指标相比于基线模型分别提升了3.2%、2.1%和3.1%。同时设计了相关结构的消融实验,验证了所提算法的有效性。结论提出的基于动态特征选择的可见光红外图像融合目标检测算法,可以有效地融合可见光和红外两种图像模态的特征信息,提升了目标检测的性能。

基于双注意力残差网络的高分遥感影像道路提取模型

高分辨率遥感影像中,道路光谱信息丰富,且空间几何结构更清晰。但是,基于高分遥感影像的道路提取面临道路尺寸变化大、容易受树木、建筑物及阴影遮挡等因素影响,导致提取结果不完整。此外,高分遥感影像中同物异谱和异物同谱现象较为严重,从而影响道路提取结果连续性及细小道路信息完整性,而且难以区分道路和非道路不透水层。因此,本文提出基于双注意力残差网络的道路提取模型DARNet,利用深度编码网络,获取细粒度高阶语义信息,增强网络对细小道路的提取能力,通过嵌入串联式通道-空间双重注意力模块,获取道路特征图逐通道的全局语义信息,实现道路特征的高效表达及多尺度道路信息的深层融合,增强阴影和遮挡环境下网络模型的鲁棒性,改善道路提取细节缺失现象,实现复杂环境下高效、准确的道路自动化提取。本文在3个实验数据集对DARNet和DLinkNet、DeepLabV3+等5个对比模型进行对比试验和定量评估,结果表明,本文DARNet模型的F1分别为77.92%、67.88%和80.37%,高于对比模型。此外,定性比较表明,本文提出模型可以有效克服由于物体阴影、遮挡和高分影像光谱变化导致道路提取不准确与不完整问题,改善细小道路漏提、错提等现象,提高道路网提取的完整性和连续性。