基于孪生网络的异源遥感影像动态目标对象级变化检测

异源遥感影像具有不同的成像属性和特征空间,难以从图像像素变化直接分析地物变化,针对单一遥感数据源的像素级变化检测方法不再适用于异源遥感影像数据源的情形.论文提出一种面向异源遥感影像对象级变化检测方法,构建基于孪生网络的对象级变化检测框架.框架包含异源影像目标语特征提取、特征相似性描述以及目标状态变化决策三个阶段.框架提取不同时相的光学遥感影像和合成孔径雷达(Synthetic Aperture Radar,SAR)影像上相同地理位置动态目标的深度语义特征图,定义语义特征相似度描述符,定量表示特征图语义相似度,通过深度语义特征图的相似度大小,判别两个时相的异源遥感影像上的目标状态是否发生变化.为验证该方法的有效性,创建一个包含开源数据集和高分卫星影像的对象级变化检测数据集OCD3k.实验结果表明,论文提出的方法在实验案例数据集和真实卫星影像上都能准确地检测异源影像目标状态变化.

融合词性和注意力的卷积神经网络对象级情感分类方法

多个对象同时讨论时,对文本的情感分析结果与针对特定对象的情感倾向可能不一致,对象级情感分类任务需在文本整体语义的场景下,重点关注与给定对象相关的内容.文中提出融合词性和注意力的卷积神经网络对象级情感分类方法.引入词性信息,通过长短时记忆神经网络建模输入序列,构建对象注意力,将注意力融入到卷积神经网络结构中分析关于给定对象的情感倾向.词性信息有助于捕获与对象具有修饰关系的内容和弱化内容或距离相近但无搭配关系的句子成分的影响.结合长短时记忆神经网络和卷积神经网络结构建模文本,更有利于同时建模文本整体语义与对象相关语义.在Sem Eval2014数据集上的实验表明,文中方法取得优于基于长短时记忆神经网络的注意力机制方法的分类效果.

基于改进的像素级和对象级的遥感影像合成分类

像素级和对象级的分类研究分别作为两个独立的方向开展,二者的结合与优势互补还没有引起关注。对像素级和对象级分类方法的结合进行探索,提出基于改进的像素级和对象级的遥感影像合成分类方法。首先,以一种改进的RBF神经网络分类器进行像素级分类、以一种基于改进模糊支持向量机和决策树的层次分类模型进行对象级分类,获得多层次分类结果。然后,提出具体的像素级分类与对象级分类的合成算法,对多层次分类结果进行合成。试验表明,合成分类方法能有效地提高分类结果的精度,提供比单一像素级方法或对象级方法更准确的分类结果。

基于多尺度融合的对象级变化检测新方法

讨论了遥感图像变化检测中的多尺度融合问题.首先分析了高分辨率遥感图像的城市变化检测的难点和传统的变化检测方法的局限性;针对这些难点和局限性,提出了基于多尺度融合的对象级的变化检测框架.该框架利用对象级的变化检测方法,提高了变化类和非变化类的可分性.为了提高变化检测的精度,该框架引入了两种不同的多尺度融合策略.在QuickBird高分辨率遥感图像上的实验结果验证了该方法的有效性和鲁棒性.

对象级粗粒度切片方法

基于面向对象程序的对象间语义级关系,提出了一种对象级粗粒度切片方法,用于解决以往传统程序切片构造过程复杂,切片结构庞大,可理解性不强等问题。该方法并非基于传统的程序依赖图或系统依赖图,而是建立在对象间的关联、组合等语义级关系的基础之上。依据对象间语义级关系构造程序的对象图,在对象图的基础上获取程序的前向对象级粗粒度切片和后向对象级粗粒度切片,并结合了对象间的组合关系使得所得后向对象级粗粒度切片更加精简。

一种对象级搜索中的多查询合并算法

对传统搜索引擎使用的排序算法进行分析,将概率意义引入对象级搜索,提出一种在对象级搜索中合并多个查询结果的算法.通过归一化以及考虑概率意义与查询规模间的关系,该算法独立于生成结果列表使用的排序算法.实验结果证明该算法提高了查询结果的质量.

联合像素级和对象级分析的遥感影像变化检测

为改善高空间分辨率遥感影像的变化检测精度,提出一种联合像素级和对象级分析的变化检测新框架。首先将多时相影像进行叠合,对叠加影像进行主成分分析,并利用基于熵率的方法对第一主成分影像进行分割,通过改变超像素数目来获取多层次不同尺寸大小的超像素区域。同时,对多时相影像进行光谱差异和纹理差异分析,采用自适应PCNN神经网络方法进行图像融合,利用水平集(CV)方法对融合后的影像进行分割获取像素级变化检测结果。最后,结合多尺度区域标记矩阵对检测结果进行变化强度等级量化和决策级融合,作为变化检测的后处理部分,以获取最终的对象级变化检测结果。采用SPOT-5多光谱影像进行试验。结果表明这种新框架可以有效集成基于像素和基于对象两种图像分析方法的优势,能够进一步提高变化检测过程的稳定性和适用性。

改进的对象级排序算法

当前的对象级排序算法或是忽略对象的Web特征,或是忽略与用户查询的相关度,效果都不太理想。针对这些不足,综合考虑对象的Web特征以及与查询词的相关度等因素,给出改进的H-PopRank算法。实验表明,该算法可以提高查全率级平均查准率和用户满意度。

像素级和对象级高分辨率遥感图像变化检测分析

高分辨率遥感图像具有丰富的纹理信息,而像素级变化检测方法主要分析图像的光谱信息,导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性。因此,本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法,解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题。首先,结合高分辨率遥感图像的多维特征,构建遥感图像变化检测模型;其次,利用随机森林分类器对图像进行分类,得到像素级变化检测结果;最后,将像素级变化检测结果与图像对象分割结果进行融合,得到图像变化区域和不变区域。试验结果表明,该算法具有较高的准确率和检测精度。

顾及轮廓特征的建筑物对象级三维变化检测方法

建筑物对象级三维变化检测是城市三维建筑模型更新及违法建筑查违等应用的核心关键技术。针对现有变化检测方法的限制,创新性提出了顾及轮廓特征的建筑物对象级三维变化检测方法,充分利用倾斜实景三维模型来进行变化检测。首先通过高度分析提取建筑物的轮廓线,同时过滤掉植被和地形等无关因素的影响;然后将不同高度的轮廓进行拟合后进行对比检测,并构建三维包围盒。该方法针对建筑物进行变化检测,检测对象单一,语义明确,既避免了对差值DSM滤波时不够彻底,又准确地保留了建筑物的有效信息,同时筛选出了未发生对象级变化的建筑物,可以更高效地对其做进一步的结构级变化检测。

一种对象级的VCAS查询和评分策略

XML文档可以有多种查询方式,对于略知文档结构的用户可以使用模糊的内容和结构查询,即VCAS查询。提出了一种对象级的VCAS查询和评分策略,其特点是将XML文档看做是交叉的许多对象树,查询的匹配都是以对象树ISO或者对象树组IRO作为基本单位。这种方法使得VCAS的查询可以直接过滤掉许多没有意义的匹配结果,提高查询的效率。对现有的评分方式做了改进,挖掘了更多的内容约束来影响匹配结果的评分,更能接近用户的查询意图。实验证明了文中提出的查询和评分策略的有效性。

融合Bi-LSTM和位置关系的对象级情感分析

对象级情感分析目的是分析句子中某个对象词的情感极性,其研究难点主要有两个,一是要考虑到句子中各个文本词和对象词之间内在的语义联系,二是要区分出不同的上下文文本词对对象词的情感极性影响程度。传统的基于特征的机器学习方法需要人工提取特征,十分复杂和繁琐。而使用标准LSTM神经网络模型,不能很好地区分不同文本词对对象词的不同影响力。为了解决上述问题,本文提出了一种融合Bi-LSTM和位置关系的对象级情感分析模型。通过Bi-LSTM神经网络对句子进行建模,同时结合对象词与其他文本词的位置关系生成最终的语义表示。使用生成的语义向量判断情感极性。实验结果表明,本文提出的方法比标准的LSTM模型准确率提高13个百分点,也比传统的基于特征的机器学习方法准确率提高了2个百分点。

融合多特征的分段卷积神经网络对象级情感分类方法

对象级情感分类旨在判断句子中特定对象的情感极性类别。在现有基于卷积神经网络的研究中,常在模型的池化层采用最大池化操作提取文本特征作为句子表示,该操作未考虑由对象所划分的上下文,因此无法得到更细粒度的对象上下文特征。针对该问题,该文提出一种融合多特征的分段卷积神经网络(multi-feature piecewise convolution neural network,MP-CNN)模型,根据对象将句子划分为两个部分作为上下文,并在池化层采用分段最大池化操作提取上下文特征。此外,该模型还将有助于情感分类的多个辅助特征融入其中,如词的相对位置、词性以及词在情感词典中的情感得分,并通过卷积操作计算词的注意力得分,有效判断对象的情感极性类别。最后在SemEval 2014数据集和Twitter数据集的实验中,取得了较基于传统机器学习、基于循环神经网络以及基于单一最大池化的卷积神经网络分类模型更好的分类效果。

迁移学习支持下的遥感影像对象级分类样本自动选择方法

面向遥感大范围应用的目标,自动化程度仍是遥感影像分类面临的重要问题,样本的人工选择难以适应当前土地覆盖信息自动化提取的实际应用需求。为了构建一套基于先验知识的遥感影像全自动分类流程,本文将空间信息挖掘技术引入到遥感信息提取过程中,提出一种面向遥感影像对象级分类的样本自动选择方法。该方法通过变化检测将不变地物标示在新的目标影像上,并将过去解译的地物类别知识迁移至新的影像上,建立新的特征与地物关系,从而完成历史专题数据辅助下目标影像的自动化对象级分类。试验结果表明,在已有历史专题层的图斑知识指导下,该方法能有效地自动选择适用于新影像分类的可靠样本,获得较好的信息提取效果,提高了对象级分类的效率。

融合光谱及形态学信息的对象级空间特征提取方法

针对传统的高分辨率遥感影像分割方法仅利用光谱特征或者形态学特征的弊端,提出了一种融合光谱信息和形态学信息的多尺度分割算法。该算法首先利用差分多尺度形态学序列特征与影像光谱特征构造光谱-形态学特征集,然后利用Hausdorff距离计算相邻像素的边权值并构造图模型,利用最小生成树Kruskal算法完成影像的初始分割,最后结合分形网络进化的区域异质性准则完成区域合并。在该分割结果的基础上,提出了面向对象的灰度共生矩阵特征和面向对象的像元形状指数特征。实验结果显示,所提出的分割方法在效果和效率上均优于eCognition 8.0和Meanshift算法,并且对象级灰度共生矩阵特征和对象级像元形状指数特征明显优于传统的像素级特征。

基于对象级分类的土地覆盖动态变化及趋势分析

以广东省东莞市2005~2008年SPOT 5遥感影像为主要数据源,采用对象级分类后比较的变化检测技术,从土地覆盖类型的面积总量、相互转移等方面多层次分析了研究区域4a土地覆盖的变化情况。在此基础上,利用马尔科夫链模型对该区域未来5a的土地覆盖动态变化及演变趋势进行了分析和预测,为广东省土地覆盖变化研究提供典型案例分析,以达到全面把握研究区土地覆盖变化规律的目标。结果表明:研究区域的土地覆盖变化基本趋势表现为城镇建设用地总量持续增加以及耕地和园林地面积总量减少,其中城镇建设用地和农业耕地变化幅度较大,其他类型土地变化相对稳定。增加的城镇建设用地主要来源于耕地的人为减少,农业垦殖环境将趋于恶化。研究结果可为研究区合理有效地利用土地以促进土地可持续发展、推进城市化进程奠定决策上的技术基础。

用于高分辨率SAR影像建筑物提取的对象级高亮特征描述方法

合成孔径雷达(synthetic aperture radar,SAR)影像分辨率的不断提高为建筑物提取提供了有效的数据支持,而传统像素级方法,提取建筑物的效果较差,精度较低。通过分形网络演化分割算法(fractal net evolution approach,FNEA)获取分析单元,利用对象级分析单元与邻近环境之间的上下文特征,提出了高亮邻接强度特征(highlight adjacent intensity,HAI)与亮点散射密度特征(shining point distribute density,SDD)的概念,然后结合上述两种特征进行对象级建筑物的提取。最后通过几组实验验证了基于面向对象特征方法比面向像素特征方法对高分辨率SAR建筑物提取具有更好的效果、更高的精度。

对象级的web搜索在公共安全产品行业的应用

通用搜索引擎检索返回结果过多、主题相关性不强,特别是在搜索公共安全产品的相关信息时,无法迅速搜集到满足需求的结果。本文把对象级的web搜索应用于公共安全产品领域,实现了对公共安全产品的垂直搜索,提升搜索的准确度。

对象级搜索中基于图的对象排序模型(英文)

提出了一种对象级搜索中领域无关的对象排序模型.给定对象集合以及对象间的关系,根据用户输入的对象查询,该模型按照对象与查询的相关度输出一个对象的排序表.采用一个多平面的图表示对象级搜索的空间,并基于该图分别提出了对象流行度评估算法、根据查询计算相关度的算法,以及合并多个对象查询的算法.针对ACM数据集上的实验结果表明该算法是有效的,在论文推荐与合并多对象查询方面,均取得了比PaperRank更好的结果.

基于UML顺序图的面向对象软件簇级测试用例生成

本文提出了一种新的面向对象软件簇级测试用例生成方法。在UML顺序图的基础上,首先从*.MDL文档中提取出类间的交互信息;然后,依据从UML顺序图中提取出来的类间的交互信息,采用文中给出的算法生成测试用例;最后,将生成的测试用例依据XML文档的格式存储,以便于管理,并通过实例对该测试用例生成方法进行了验证。