基于特征增强和分组模块的车型精细识别

针对车型种类多、差异小,模型复杂,识别精度低的问题,提出一种基于特征增强和分组模块的车型精细识别方法,在ResNet网络基础上改进,在卷积块中加入多尺度通道域和空间域的注意力机制,增强对重要的特征提取,并将多通道特征图进行分组,根据分组损失函数不断优化分组,通过加权方式结合KL(Kullback-Leibler)散度损失函数和交叉熵损失函数,有助于网络学习类内差异小、类间差异大的特征。该方法在Stanford cars-196数据集和自制数据集上进行测试,验证了所提模型的有效性。

基于空–谱融合和深度神经网络的机载高光谱影像作物精细识别

针对目前农作物精细识别中由于没能充分利用影像特征,导致识别精度不足的局限,本文提出了一种耦合空–谱融合框架和深度神经网络的机载高光谱遥感影像作物精细识别方法。该方法首先提取作物的GLCM纹理、形态学轮廓、端元丰度三种空间信息,构建决策级融合模型将这三种空间信息与作物的光谱信息进行融合计算。然后引入基于深度神经网络和条件随机场的混合模型进行高精度作物识别。本研究选择了河北雄安有人机数据集进行实验,结果表明,本文方法能融合生成具有互补性的作物特征数据,并能有效减少识别过程中的噪声影响,保持地物边缘,获取高精度的农作物识别信息。

基于五维地震数据的低序级断层精细识别技术研究与应用

随着油气勘探进入复杂隐蔽油气藏阶段,低序级断层的精细识别与描述在提高复杂隐蔽油气藏评价精度发挥着至为关键的作用。然而受常规地震资料品质等因素影响,采用常规三维地震数据资料开展的低序级断层识别与描述精度往往不高,特别是在地震地质条件相对复杂的区域,低序级断层识别更是误差很大,已经成为阻碍复杂隐蔽油气藏勘探的一个主要短板,亟待需要新技术来有效解决这个难题。而五维地震数据资料的出站为实现复杂隐蔽油气藏的低序级断层精细识别与描述提供了无限可能。相较于常规三维地震数据,五维地震数据中包含了对低序级断层更为敏感的方位和偏移距信息,并将此敏感信息进行优化叠加后形成OVT域道集叠后数据体,进而实现对低序级断层的精准识别与描述。通过在济阳坳陷渤南地区的实际应用,5m以上低序级断层识别率在90%以上,证实了该技术的有效性,具有极佳的推广价值。

基于混合类别均衡损失的车型精细识别

为了应对车型精细识别中数据分布不均衡导致训练中头部类别过拟合,而尾部类别被忽略的问题,提出了一种基于混合类别均衡损失的车型精细识别数据增强方法。结合Mixup数据增强方法和类别均衡损失,提出混合类别均衡交叉熵损失函数;通过均衡子集微调的训练策略,进一步提高了长尾分布数据的识别效果。实验结果表明,算法在Stanford Cars、CompCars、SYSU Cars数据集上的识别准确率分别比Baseline提高了1.07、0.17和1.58个百分点,有效地缓解了因车型数据不均衡带来的问题,进一步提高了车型精细识别的识别效果。其中SYSU Cars为自建数据集,由66137张车辆正脸图片构成,包含102种品牌,691种车型以及不同的光照条件(即将在OpenITS上公开)。

古城矿陷落柱构造三维地震精细识别技术应用研究

矿井陷落柱构造是矿井致灾体之一,一定规模的陷落柱可成为矿井重要的导水通道,特别是多个组合陷落柱构造影响采区布置和矿井安全开采。为准确、高效识别矿井内陷落柱特别是一些组合陷落柱构造类型及其空间分布特征,以古城煤矿北二盘区已采集的地面三维地震勘探数据体为研究对象,采用地震正演技术、分析和评价地震属性识别技术,并结合地面三维地震勘探数据进行陷落柱精细识别技术,对矿井陷落柱及其组合构造进行精细识别,解释陷落柱构造,特别针对陷落柱边界位置及解释精度问题,提出三维地震精细识别组合技术,为煤矿采区合理布置提供技术保障。

基于深度强化学习的监控视频车辆型号精细识别研究

为了解决传统监控视频车辆型号精细识别存在误差较大的问题,提出了一种新的基于深度强化学习的监控视频车辆型号精细识别方法。通过聚类分析方法提取监控视频关键帧图像,并对关键帧图像进行最临近插值处理,对插值后图像做一次开运算与一次闭运算,即可获得图像中车辆的大致轮廓,得到车辆识别数据集。通过深度强化学习构建一个深度可分离卷积模型,输入待识别数据集进行模型的训练学习,完成监控视频车辆型号精细识别。实验结果表明,设计方法识别不同车辆型号的准确率高达95.16%,说明该方法具备较高的识别精度,对于交通管理和城市交通发展具有积极的推动作用。

基于多源高分辨率数据的遗址空间考古精细识别研究

随着人类对考古遗址的认识不断加深,空间考古的应用也越来越广泛。空间考古中重要元素的识别是确保发掘项目质量及安全性的前提。因此,研究方法和数据对遗址探测和发掘等具有重要意义。在考古学中,遗址位置测量是必不可少的环节。遗址所处位置不仅关系到遗址自身的发展轨迹和历史进程,也是探索中国早期大型城市发展体系的重要依据之一。因此,研究方法以不同时间尺度开展考古遗址空间定位研究具有重要意义。中国科学院空天信息创新研究院(原中国科学院遥感与数字地球研究所)长期致力于遥感数据空间使用及研究以及遥感应用于考古勘探中。在此基础上开展考古发掘工作以获取更多重要发掘信息和研究成果,为考古学服务于人类健康社会发展提供理论支撑和实践参考。

基于FR-ResNet的车辆型号精细识别研究

车辆型号精细识别的关键是提取有区分性的细节特征.以\特征重用"为核心,以有效提取车辆图像细节特征并进行高效利用为目的,提出了一种基于残差网络特征重用的深度卷积神经网络模型FR-ResNet(Improved ResNet focusing on feature reuse).该网络以ResNet残差结构为基础,分别采用多尺度输入、低层特征在高层中重用和特征图权重学习策略来实现特征重用.多尺度输入可以防止网络过深导致性能退化以及陷入局部最优;对各层网络部分加以不同程度的特征重用,可以加强特征传递,高效利用特征并降低参数规模;在中低层网络部分采用特征图权重学习策略,可以有效抑制冗余特征的比重.在公开车辆数据集CompCars和StanfordCars上进行实验,并与其他的网络模型进行比较,实验结果表明FR-ResNet在车辆型号精细识别任务中对车辆姿态变化和复杂背景干扰等具有鲁棒性,获得了较高的识别准确率.

一种人工智能精细识别城市用地的方法探索——基于建筑形态与业态大数据

面对城市空间的高度集聚以及用地类型的日趋复杂,如何高效科学地识别大规模空间用地类型,成为规划编制过程中的一大难点。基于此,本文从业态功能和城市形态学视角出发,交叉利用建筑形态及业态POI大数据,突破目前已有的业态赋权模型识别方法,在进行空间校准、TF-IDF变换和数据库建构的基础上,采用人工智能方法,对不同类型、规模、区位的城市进行系统性的有监督深度学习与智能识别,将城市用地精细识别至国标最小类。同时,从形态指标、布局形态、特殊形态等维度嵌入智能规则,并通过置信度标注、调研反馈和系统自优化等方法,来进一步提高识别的精细度与准确率。

基于卷积神经网络的轿车车型精细识别方法

在复杂交通场景中,公安和交管部门对车型识别的实时性和精度提出了更高要求。针对当前假牌、套牌、无牌车辆处理占用大量警力、检索效率低下、非智能化等一系列问题,提出了一种基于GoogleNet深度卷积神经网络的车型精细识别方法,设计了合理的卷积神经网络滤波器大小和数目,优选了激活函数和车型识别分类器,构建了一个新的卷积神经网络轿车车型精细识别模型框架。实验结果表明,在车型精细识别测试中,所提出模型的识别率达到了97%,较原始GoogleNet模型有较大提升,而且,新模型有效地减少了训练参数的数量,降低了模型的存储空间。车型精细识别技术可应用于智能交通管理领域,具有重要的理论研究价值与实践意义。

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题,提出基于多尺度双线性卷积神经网络(MS-B-CNN)的车型精细识别模型。首先,对双线性卷积神经网络(B-CNN)算法进行改进,提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合,以提高特征表达能力;此外,还采用基于中心损失函数与Softmax损失函数联合学习的策略,在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心,在训练过程中新增加样本时,网络会约束样本的分类中心距离,以提高多角度情况下的车型识别的能力。实验结果显示,该车型识别模型在CompCars数据集上的正确率达到了93.63%,验证了模型在多角度情况下的准确性和鲁棒性。

基于频道签名的P2P-TV流量精细识别

提出一种基于频道签名特征的P2P-TV流量精细识别方法。该方法通过对净流量数据进行统计分析实现频道签名的挖掘,借助频道签名匹配实现精细到单个(IP,Port)、具体到某一平台某一频道的流量识别。针对PPStream、QQLive、UUSee平台的实验结果表明,该方法能有效识别P2P-TV流量对应的平台与频道,且识别精度较高。

基于胶囊神经网络的车型精细识别研究

车辆型号精细识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景。针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,提出一种基于胶囊神经网络(capsule network,CapsNet)的车型图像识别模型CapCar。以CompCars数据集作为样本,首先通过加权平均值法进行图像的灰度化处理,减少数据集训练计算量,提高模型的训练速度。然后通过胶囊神经网络提取车型图像的全部特征和局部特征,实现车型分类识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,CapCar模型进行车辆精细识别精度可达98.89%,其识别率高于一些其他经典的网络模型。CapCar模型参数大小仅为6.3 MB。该算法具有一定的先进性。

低渗透裂缝性油藏水驱窜流通道精细识别方法研究

目前,针对低渗透裂缝性油藏未形成完善的窜流通道识别方法,应用中存在评价指标体系不符合矿场实际、识别方法具有较强局限性、在小层级识别结果存在较大误差等问题。针对此类问题,通过深化低渗透裂缝性油藏窜流特征,引入砂体对应关系、单井小层渗透率等指标,构建评价体系,利用模糊数学分析法和主客观组合赋权法,建立窜流通道识别模型,分析单井小层指标,精细识别小层窜流通道,并进行矿场验证。结果表明,由于分析了压敏效应、启动压力梯度影响,首次引入砂体对应关系等指标,评价体系及识别结果更符合矿场实际;共识别出窜流通道9条,由于施工因素影响,1条窜流通道未识别。识别结果与矿场实际基本吻合,证明了所建方法的准确性,可为低渗透裂缝性油藏开发调整提供技术支持。

水下复合河道内单一河道的精细识别方法

针对三角洲前缘水下复合河道砂体内局部储层注采效果不好的问题,利用岩心、密井网等资料,重新精细刻画葡北二断块水下复合河道砂体。垂向上,通过物性、泥质、钙质三种夹层标志,将水下复合河道细分至单一期次。平面上,提出定量参数与定性参数相结合计算综合系数的新方法,用以追踪、预测井间单一河道边界。应用实例证明,该方法可以提高水下复合河道砂体精细刻画的准确性和可操作性,在油田实际开发调整中取得良好的效果。

基于特征融合卷积神经网络的车型精细识别

为解决现有车型精细识别方法中存在识别精度低、模型参数规模大等问题,提出一种基于特征融合卷积神经网络的车型精细识别方法。设计两个独立网络(UpNet、DownNet)分别用于提取车辆正面图像的上部和下部特征,在融合网络(FusionNet)中进行特征融合,实现车型的精细识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,该方法的识别精度可达98.94%,模型参数大小仅为4.9 MB。

YJB阜宁组油层精细识别与“假性”干层的认识

YJB阜二、阜一段油藏储层主要发育砂滩、砂坝、河道及泛滥平原等4种沉积微相类型,根据不同砂体的沉积特点及测井响应特征,利用大量的试油、测试及生产动态资料,细分沉积微相砂体类型,建立了油水层精细识别图版,弥补了常规测井资料应用的局限性。同时,结合储层压裂改造效果提出了"假性"干层的新认识,并建立了相应的测井解释图版。通过重新解释,释放了一批"假性"干层的潜力,为老油藏精细评价提供了依据。

基于RHTC网络的飞机目标检测与精细识别

飞机目标的方向检测和精细识别是高分辨率光学遥感图像解译领域的一个重要任务。针对遥感图像中多方向密集排布飞机的方向检测和识别困难问题,提出一种基于旋转混合任务级联(rotated hybrid task cascade,RHTC)网络的飞机检测识别方法。首先,基于混合任务级联(hybrid task cascade,HTC)网络,扩展分割分支数量,并将分割分支与包围框分支多层级联以不断加强语义特征。其次,设计了一个新的斜框回归器,将其添加在掩膜分支的最后一层以完成目标方向预测。最后,增加一个新的方向损失函数以优化训练过程,从而完成RHTC网络构建。在数据预处理阶段,构建了每类型号飞机目标的精细掩膜以增强目标细节和提高掩膜预测精度。基于DOTA和公开Google图像构建的飞机数据集开展了多组实验。结果表明,与其他多种先进的方法相比,所提方法在飞机检测方向精准度和类别平均精准度上性能更优。此外,所设计的斜框回归器和方向损失函数在嵌入到其他分割网络时也具有良好的性能。

利用自适应时间片梯度谱对镜头转换进行精细识别

提出了一种利用视频序列的自适应时间片梯度谱对镜头转换类型进行精细识别的算法 .在这个算法中 ,首先提出了自适应时间片梯度谱的概念 ,并且在此基础上 ,提出了用于识别镜头转换类型的模板构造和匹配算法 ,同时还给出了一种描述语言作为模板的软描述方法 ,用以适应不同的图象尺寸和镜头转换的持续时间 .实验结果表明 ,这种方法在多数情况下具有很好的识别效果 ,只是在两个镜头转换非常相近时 ,识别效果差些 ,另外 ,该方法识别速度快 ,同时具有很强的鲁棒性和可扩展性 。

阿姆河右岸气田复杂出水模式精细识别和长效治理对策

阿姆河右岸受气藏储层类型多、非均质性强、裂缝复杂、边底水活跃、存在土方事故井等综合影响,导致开发出水动态特征差异较大,产水通道无法识别,出水规律认识不清,无法提出有针对性的治水策略。利用出水模式判断方法,结合阿姆河右岸气田的地质因素、工程因素和开发因素,明确了复杂出水模式,在常见的底水水锥型和裂缝水窜型基础上,提出3类出水模式:边水-断裂水窜型、高压盐水倒灌型和浅层淡水倒灌型,并针对阿姆河右岸5类复杂出水模式的地质特点和动态特征,分析了不同出水模式的核心问题,分类型分阶段提出了5类出水类型的治水策略。该研究为后期治水策略的制订提供技术支持,也为阿姆河右岸和国内外同类产水气藏优化开发提供技术参考。