基于空间域与频域特征自适应融合和类间边界区域增强的三维海马分割

目的海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志,因此准确分割海马是一个重要的科学问题。随着深度学习的发展,人们提出了大量先进的自动分割方法。然而,由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界,三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。方法为了克服这些挑战,本文提出了两个策略。一种是空间域与频域特征自适应融合策略,通过快速傅立叶变换和卷积自动选择合适的频率组合,减少噪声对特征提取的影响。另一种是类间边界区域增强策略,它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习,以达到精确定位边界和调节海马头、体、尾大小的目的。结果在50例青少年大脑MRI数据集上进行的实验表明,我们的方法实现了较先进的海马分割,海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效,我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力,说明本文提出的方法可用于更多的海马分割场景。结论我们提出的方法可以帮助临床医生更清楚地观测海马萎缩,并完成更精确的病情诊断和追踪。

多源DEM空间域加权最优融合方法研究

全球许多区域都拥有不同类型、来源和精度的数字高程模型（DEM）数据，为利用多源DEM的互补信息开发出质量更高的DEM，提出多源DEM的空间域加权最优融合方法。以秦岭典型高山峡谷地貌类型区为试验样区，选取相同位置的航天飞机雷达地形测绘任务（SRTM）与先进星载热发射和反射辅射仪全球数字高程模型（ASTERDEM）数据，并以1：5万DEM作为参照数据，通过重采样、数据配准、系统误差消除等步骤形成融合数据源，以均方根误差（RMSE）性能指标最优为准则遍历权重系数，生成融合DEM。将融合前后的数据分别与参照数据作精度比较，总体统计与抽样剖面检查表明：融合DEM精度较源数据均得到了提高，该融合技术为应用多源DEM生成精度和可靠性更高的DEM产品提供了可行方案。

多源DEM数据融合

数字高程模型（DEM）是国家空间数据基础设施的框架数据，其产品种类和获取方式多样，应用多源数据融合技术提升DEM产品质量受到越来越多的关注。本文论述了DEM数据融合的国内外研究现状，从数学基础配准、异常值检测、精度评估、空洞填补等方面阐述了数据融合预处理关键技术；对DEM数据融合的空间域融合、频率域融合、稀疏表达融合方法进行了分析与比较，指出了该领域的相关问题及进一步的研究方向。

技术政治时代的权力与战略

当今世界正处在新一轮科技革命与产业变革深入发展和世界大变局深刻演变的重大历史交汇期,新技术群发式突破与融合发展正将人类社会推进一个全新的时代。新科技革命正在深刻重塑国际权力的内涵与形态,基于技术的权力已成为支撑其他国际权力的支柱,围绕技术权力的争夺和秩序构建将是21世纪国际战略竞争的核心,这将国际政治从“地缘政治时代”推向“技术政治时代”,既而孕育出“技术政治战略”。美国新的战略思维和战略意识形态塑造日渐清晰,正在“技术多边主义”框架下布局构建“技术联盟”,搭建“分层金字塔”结构技术霸权体系,争夺战略新空间控制权,重构战略威慑能力与威慑体系。在技术政治战略下,国际战略思维、理论、体系、方法、路径等都在发生系统性变革,多域空间融合的国际战略理论体系亟待构建。

一种复杂环境下改进的SAR图像双边CFAR舰船检测算法

双边恒虚警率(BCFAR)检测算法通过高斯核密度估计器计算出合成孔径雷达(SAR)图像的空间信息,并将它与图像的强度信息相结合得到联合图像以进行目标检测。相较于只使用强度信息来进行目标检测的经典CFAR检测算法,双边CFAR有着更好的检测性能和鲁棒性。然而,在复杂环境下出现连片的高强度异质点时(例如防波堤、方位模糊和幻影等),核密度估计器计算出的空间信息会出现较多误差,这会导致检测结果中出现大量虚警。此外,当遇到相邻像素点间相似度较低的弱目标时,双边CFAR会发生漏检。为了有效改善这些问题,该文设计一种复杂环境下改进的SAR图像双边CFAR舰船检测算法(IB-CFAR)。该文所提IB-CFAR主要分为3个阶段来实现,分别为基于非均匀量化法的强度层级划分、强度-空间域信息融合、杂波截断后的参数估计。基于非均匀量化法的强度层级划分可以提升弱目标的相似度和对比度信息,从而提升舰船检测率。强度-空间域信息融合在于将空间相似度、距离向和强度等信息进行融合,在进一步提升检测率的同时对舰船的结构信息进行精细化描述。杂波截断后的参数估计可以去除背景窗口中连片的高强度异质点,最大限度地保留真实海杂波样本,使参数估计更加精确。最后,根据估计出的参数建立精确的海杂波统计模型以进行CFAR检测。该文使用高分3号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。实验结果表明,所提出的算法在包含较多密集分布的弱目标环境下表现良好,在此类环境下能获得97.85%的检测率和3.52%的虚警率,相比于现有的检测算法,检测率提升了5%,并且虚警率降低了10%,但在弱目标个数较少且背景十分复杂的环境下,则会出现少量虚警。