基于自动生成样本的优化Deeplabv3+网络速度建模方法

建立精确的速度模型对地震成像和解释十分重要,深度学习方法为建立精确的速度模型提供了新的途径,然而,目前可用于速度建模网络训练的样本非常有限。为此,提出了一种利用随机曲线模拟地下速度模型,自动生成大量样本用于深度学习训练的方法。该方法通过生成一组随机数,插值形成随机序列,利用三角函数将随机序列生成随机曲线来模拟地下界面,生成层状速度模型,在此基础上,通过添加断裂、速度异常体和地层倾角来模拟更复杂的速度模型;在速度预测网络构建方面,选取Deeplabv3+网络作为速度预测网络。通过增加卷积层的方法,优化了Deeplabv3+网络上采样后直接输出导致边界模糊的问题。将上述方法应用于模型数据和实际数据,测试了该方法在含噪声、不同子波频率和部分数据缺失情况下的稳定性。结果表明,该方法能够有效地应对噪声、不同子波频率和部分数据缺失的影响,具有可靠的泛化性和鲁棒性。

时-空-谱融合自动纯化生成样本的农作物遥感分类

准确及时地获取农作物种植面积是粮食估产的重要基础,对稳定市场和粮食安全至关重要。随着卫星遥感技术的发展和农作物识别算法的成熟,遥感在农业领域得到了广泛深入的应用,但农作物自动化识别普遍受到缺乏足够代表性训练样本数据的制约。该研究提出了一种多阶段样本纯化策略,综合考虑时间、空间、光谱和物候信息,基于历史作物空间分布图和当季遥感影像自动生成高质量的训练样本,以支持农作物的自动化识别。利用谷歌地球引擎(google earth engine,GEE)云平台及Sentinel-2数据,采用随机森林算法对浙江省两个地区的水稻进行自动化识别。研究结果表明,该方法能够利用历史专题数据和当季遥感影像生成最新且充足的训练样本,样本点精度高达98.5%。样本点数量和影像特征对分类结果影响的定量分析结果表明,作物识别的精度超过96%,Kappa系数超过0.93。此外,所提算法对含有误差的历史分类数据表现出较好的鲁棒性。研究结果可为区域级农作物识别提供一种可靠的样本自动化生成方法,在大尺度自动化作物制图中具有广泛的应用潜力。

一种新型的数据库自然语言查询实现方案

当前深度学习技术对数据库自然语言查询的实现起到了很大的推动作用,但是仍存在难以实现复杂查询、准确率不高等问题。因此,提出了新型数据库自然语言查询实现方案,设计了一种基于谓词的、类Prolog语言的中间语言,以自然语言—中间语言—SQL的方式实现了很高的准确率,解决了自然语言与SQL语句之间语义差距大的问题,可以投入到实际应用中。还提出了一种学习样本自动生成的方法,降低了数据库自然语言查询技术的使用难度。

面向缓解机制评估的自动化信息泄露方法

自动生成漏洞利用样本(AEG)已成为评估漏洞的最重要的方式之一,但现有方案在目标系统部署有漏洞缓解机制时受到很大阻碍.当前主流的操作系统默认部署多种漏洞缓解机制,包括数据执行保护(DEP)和地址空间布局随机化(ASLR)等,而现有AEG方案仍无法面对所有漏洞缓解情形.提出了一种自动化方案EoLeak,可以利用堆漏洞实现自动化的信息泄露,进而同时绕过数据执行保护和地址空间布局随机化防御.EoLeak通过动态分析漏洞触发样本(POC)的程序执行迹,对执行迹中的内存布局进行画像并定位敏感数据(如代码指针),进而基于内存画像自动构建泄漏敏感数据的原语,并在条件具备时生成完整的漏洞利用样本.实现了EoLeak原型系统,并在一组夺旗赛(CTF)题目和多个实际应用程序上进行了实验验证.实验结果表明,该系统具有自动化泄露敏感信息和绕过DEP及ASLR缓解机制的能力.

一种面向地理国情监测的地表覆盖变化检测与更新方法

提出一种面向地理国情监测的分类后变化检测方法,充分利用前一时期地表覆盖数据提供的地物类别信息,指导后一时期影像的分类,通过比较两时期相应区域的类别信息,从而实现地表覆盖数据的变化发现与更新。该方法主要包括分类前变化检测、样本自动生成、分类后变化检测3个阶段。实验结果表明,该方法能够得到准确率较高的变化检测结果。