基于B/S结构的远程台站设备状态及快视数据监视系统技术研究

针对在未来三年内,中国遥感卫星地面站将新建新疆喀什、海南三亚两个接收站,且与北京密云接收站一起构建"三站一体"的接收站网,从而形成全面覆盖国土陆地面积的数据接收能力,在中国遥感卫星地面站"三站网"建设的背景下,结合实际情况,对遥感卫星地面接收系统硬件设备状态以及实时接收的卫星快视数据进行远程监视的相关技术进行了深入研究,重点分析了所涉及的关键技术,基于B/S结构提出了一套解决方案。本系统的提出,对地面站地面观测网的运行是一个必要的探索,同时也是一个良好的补充。

迁移学习下高分快视数据道路快速提取

目的传统的道路提取方法自动化程度不高,无法满足快速获取道路信息的需求。使用深度学习的道路提取方法多关注精度的提升,网络冗余度较高。而迁移学习通过将知识从源领域迁移到目标领域,可以快速完成目标学习任务。因此,本文利用高分辨率卫星快视数据快速获取的特性,构建了一种基于迁移学习的道路快速提取深度神经网络。方法采用基于预训练网络的迁移学习方法,可以将本文整个道路提取过程分为两个阶段:首先在开源大型数据库Image Net上训练源网络,保存此阶段最优模型;第2阶段迁移预训练保存的模型至目标网络,利用预训练保存的权重参数指导目标网络继续训练,此时快视数据作为输入,只做目标任务的定向微调,从而加速网络训练。总体来说,前期预训练是一个抽取通用特征参数的过程,目标训练是针对道路提取任务特化的过程。结果本文构建的基于迁移学习的快速道路提取网络,迁移预训练模型与不迁移相比验证精度提升6.0%,单幅尺寸为256×256像素的数据测试时间减少49.4%。快视数据测试集平均精度可达88.3%。截取一轨中7304×6980像素位于天津滨海新区的快视数据,可在54 s内完成道路提取。与其他迁移模型对比,本文方法在快速预测道路的同时且能达到较高的准确率。结论实验结果表明,本文针对高分卫星快视数据,提出的利用预训练模型初始化网络能有效利用权重参数,使模型趋于轻量化,使得精度提升的同时也加快了提取速度,能够实现道路信息快速精准获取。