基于Swin Transformer目标全景分割的三峡库首土质滑坡识别

【目的】滑坡识别是解决山区地质灾害隐患在哪里的关键。尤其人工智能是深度学习方法开始被广泛应用于目标识别领域,但对于多植被山区复杂环境下的滑坡隐患识别,存在着模型单一、精度较差等问题。【方法】故文章提出一种基于Swin Transformer(Shift Windows Transformer)作为骨干网络结合目标全景分割的智能识别方法,对三峡库首区域土质滑坡开展识别。将三峡库首的485处土质滑坡制作成样本集,并分为训练集和测试集。将训练集加载进Swin Transformer模型中进行训练,模型采用自注意力机制对训练集提取特征,构建特征图,测试集验证特征图的识别精度,保留识别精度最高的特征图。最终以此实现滑坡目标与背景区域的有效区分进而完成隐患识别,同时与DeepLab V3模型进行对比。【结果】结果显示:Swin Transformer模型在识别精度和识别速度上都要高于DeepLab V3模型,在三峡库首的试验中准确率可以达到83.55%,单张图片预测时间为0.18 s。【结论】结果表明:该方法能够在多植被山区复杂环境下快速识别土质滑坡,可为多植被山区的滑坡灾害调查提供参考。

基于Sentinel-1A的三峡库区范家坪滑坡InSAR监测分析

合成孔径雷达差分干涉测量(InSAR)技术以其全天时、全天候、范围广、精度高等特点,已被广泛应用到城市矿山地面沉降等变形监测当中。但对于山区滑坡灾害来说,由于受地形地貌、植被覆盖以及灾害体自身变形特征等影响,导致目前InSAR在滑坡灾害中的监测效果不理想。以三峡库区范家坪古滑坡(由西侧木鱼包滑坡与东侧谭家河滑坡组成)为例,选取23景哨兵1号(Sentinel-1A)雷达卫星数据,采用短基线差分干涉测量(SBAS-InSAR)方法计算其形变时间序列和变形速率,并与同时间段内GNSS地表位移监测结果进行对比分析。结果表明:范家坪滑坡整体处于蠕动变形状态,其中木鱼包滑坡形变较小,谭家河滑坡中部和前缘变化明显;InSAR与GNSS监测结果相似,形变量级一致,证明InSAR方法具有一定可靠性,也表明SBAS-InSAR技术适用于滑坡动态监测。

基于智能优化算法的FIR数字滤波器设计

使用频率采样法设计FIR数字滤波器时,在通带与阻带之间设置适当的非零过渡点可极大改善滤波器的幅度特性,但过渡点最佳采样值难以确定,可以使用智能优化算法解决上述问题。在设置一个,两个和三个过渡点时,使用遗传算法、粒子群算法和模拟退火算法,在最大误差最小,阻带最大误差最小,最小二乘以及阻带最小二乘准则下,分别求解过渡点最佳采样值,并使用五种评价指标对比不同算法在不同滤波器优化准则下的优化效果。实验结果表明,在设置不同数量过渡点的情况下,使用智能优化算法均可得到阻带幅度特性优于查找表数据的过渡点最佳采样值,三种算法中模拟退火算法优化效果最佳,四种滤波器优化准则中阻带最大误差最小准则下的优化效果最佳。

AMFRel:一种中文电子病历实体关系联合抽取方法

中文电子病历实体关系抽取是构建医疗知识图谱,服务下游子任务的重要基础。目前,中文电子病例进行实体关系抽取仍存在因医疗文本关系复杂、实体密度大而造成医疗名词识别不准确的问题。针对这一问题,提出了基于对抗学习与多特征融合的中文电子病历实体关系联合抽取模型AMFRel(adversarial learning and multi-feature fusion for relation triple extraction),提取电子病历的文本和词性特征,得到融合词性信息的编码向量;利用编码向量联合对抗训练产生的扰动生成对抗样本,抽取句子主语;利用信息融合模块丰富文本结构特征,并根据特定的关系信息抽取出相应的宾语,得到医疗文本的三元组。采用CHIP2020关系抽取数据集和糖尿病数据集进行实验验证,结果显示:AMFRel在CHIP2020关系抽取数据集上的Precision为63.922%,Recall为57.279%,F1值为60.418%;在糖尿病数据集上的Precision、Recall和F1值分别为83.914%,67.021%和74.522%,证明了该模型的三元组抽取性能优于其他基线模型。

小尺度山区地质灾害隐患的无人机精细化识别方法与实践

本文针对小空间尺度范围内以滑坡、崩塌为主的山区地质灾害,提出了一套基于小型无人机摄影测量的精细化隐患识别方法。首先,针对工作区开展至少两期无人机摄影测量作业,经处理后得到实景三维模型、数字正射影像(DOM)、数字表面模型(DSM)等精细化成果;其次,以两期DOM与DSM变化检测为主实现灾害体识别;然后,基于灾害体共性特征建立典型识别标志,并依此采用三维实景目视解译为主方法实现孕灾体识别;最后,通过地面核查确认或排除隐患。将该套方法应用到三峡库首秭归泄滩河左岸顺向斜坡区域,共识别出10处不同类型隐患,证明了方法的可行性。

改进Segformer的前列腺超声图像语义分割算法

前列腺超声图像在临床中的准确分割对后续诊断具有重要影响。因此,通过深度学习辅助实现前列腺边界的快速、准确分割非常必要。为此,文中提出了一种改进的前列腺分割网络(DA-Segformer)。利用Transformer、深监督和注意力机制,快速准确地分割前列腺超声图像。引入MAG模块提高网络对特征图和像素关联性的理解能力,以及对前景像素的敏感度。采用深监督策略,在解码过程中引入损失函数,优化梯度传播,增强网络对关键特征的学习表征能力。实验结果显示,在前列腺超声图像数据集上,DA-Segformer模型的mIoU、Dice系数、准确率和召回率等指标均优于其他主流语义分割模型。该方法有效解决了前列腺超声图像手工分割的难题,为临床诊断提供了有价值的计算机辅助工具。

基于特征优选和机器学习的第四系空间信息提取研究

【目的】第四系土体是土质滑坡的主要物源,其分布及厚度是开展土质滑坡隐患识别的重要基础。随着机器学习技术的兴起,图像分类技术与人工智能算法结合已成为遥感识别的主流。【方法】以三峡库首秭归向斜盆地为研究区,以Landsat-8影像为基础数据源,以区内现有土质滑坡数据构建样本,采用机器学习软件EnMAP-Box,建立第四系厚度及空间分布信息的随机森林分类模型,筛选出用于识别第四系土体厚度的最优特征子集,得出第四系相对厚度空间分布。【结果】结果表明:Landsat-8遥感影像的光谱特征、主成分、植被指数、湿度、坡度、绿度、均值等与第四系厚度具有强相关性,可作为识别第四系土体厚度的重要特征因子;随机森林模型能有效识别第四系土体厚度信息,且对岩质区提取精度较高;经实地调查验证,模型性能均衡,预测结果合理,可用于多植被中低山区环境的第四系识别。【结论】研究成果可为土质滑坡隐患识别和风险防控提供重要数据支撑。

圆形直方图线性化的高精度高适应性多阈值分割方法

针对已有彩色图像多阈值分割方法存在的分割精度不高、分割适应性较差等问题,提出一种圆形直方图线性化的高精度高适应性多阈值分割方法。在对输入彩色图像进行超像素预处理后,构建累积分布方差最大化准则,将圆形直方图截断后延展为线性直方图。在线性直方图上,结合Tsallis熵和类间方差构建一个新的多阈值分割目标函数。引入麻雀搜索算法,快速求解多阈值分割目标函数得到最优阈值进行阈值分割。在8幅合成图像和500幅真实世界图像上将提出方法和9种不同的彩色图像分割方法进行全面比较,在峰值信噪比(PSNR)、结构相似性(SSIM)、特征相似度(FSIM)、概率兰德指数、全局一致性误差(GCE)、信息差异6个量化评价指标上的综合实验结果表明,提出方法在计算效率方面与比较方法大致持平,但在分割精度和分割适应性方面明显优于比较方法,在PSNR、SSIM、FSIM和GCE等评价指标上分别以19.95 dB、0.80、0.94和0.16取得最优结果。

孕灾机理与综合遥感结合的三峡库首顺层岩质滑坡隐患识别

隐患识别是实现地质灾害从注重灾后救助向注重灾前预防转变的重要技术工作。本文以三峡库首秭归沙镇溪镇周边岸坡段顺层岩质滑坡隐患识别为基础,提出基于孕灾机理与综合遥感相结合的地质灾害隐患识别方法。首先,借助资料整理分析、遥感调查和现场调查等查明孕灾环境,并建立孕灾指标体系;其次,针对典型灾害体开展地质结构与致灾机理分析,以揭示典型孕灾模式,并建立综合遥感判识标志;再次,采用易发性分区评价,结合高分光学卫星遥感与InSAR等天基遥感变化检测技术,圈定隐患识别的易发重点靶区;然后,针对高易发靶区,利用无人机摄影测量、LiDAR等空基遥感技术识别疑似隐患体;最后,通过地面核查与专家判识,确认并圈定地质灾害隐患。利用该套技术方法,在工作区内共识别出8处地质灾害隐患,其中5处为具备孕灾模式但尚未出现明显变形的顺层岩质滑坡隐患体。结果表明,该套技术方法以查明孕灾环境及建立孕灾模式为核心与前提、以综合遥感探测为重要技术支撑,可以弥补目前主要依赖遥感变化探测开展隐患识别易造成精度较低甚至失效的缺陷,尤其适合于山高坡陡、植被覆盖茂密地区的隐蔽性、突发性地质灾害的隐患识别。

适于滑坡监测的小型无人机遥感系统构建及其应用

构建小型无人机遥感系统,实现对滑坡等地质灾害的常态化监测,对于防灾减灾具有重要现实意义.本文以近年来利用小型无人机遥感针对三峡库区滑坡开展的多次监测实践为基础,构建了一套适于开展滑坡监测的包括无人机机体及飞控、拍摄系统、地面监控等在内的小型无人机遥感系统,并详细阐述了包括航线规划、相机拍照设定、飞行前检查、飞行作业、飞行后检查等在内的滑坡监测流程,最后介绍了具体实例.结果表明,利用小型无人机遥感系统可以获取滑坡正射影像、数字高程模型等遥感成果,进而快速圈定变形区,解决地面调查难以发现或准确确定变形范围的问题.

多通道U型网络遥感影像变化检测

遥感影像变化检测是遥感领域的一个重要研究方向,在农业、灾害评估和城市建设等诸多方向发挥着重要作用。目前的变化检测任务大多使用深度学习方法完成,但现存的诸多深度学习网络存在影像特征提取能力不强、变化区域不能精细化区分等问题。提出了一种多通道、多尺度特征融合的深度U型网络——MCFFNet。将Unet扩展为三通道结构,并在下采样过程中获得相应尺度特征影像的预分类特征信息和融合特征。在上采样过程中将对应尺度的特征信息融合。通过卷积激活等操作将特征图映射为单次最优变化检测结果图。在遥感影像变化检测领域常用数据集CDD和WHU数据集上实验得到了较对照方法更高的变化检测精度。

基于CNN和Transformer双通道交互变化检测网络

卷积神经网络(CNN)具有典型的局部性,而Transformer具有典型的全局性,为了有效集成二者的优势和互补性,提出了双通道交互(DCI)变化检测网络DCINet。设计双通道交互编码器,采用特征分块处理策略和显式跨通道信息交互方法,特征融合解码器对多层级特征进行解码。实验结果表明,提出的变化检测网络DCINet可行、有效。

双态形状重构及其在前列腺超声图像分割中的应用

前列腺超声图像在临床中的准确分割对于后续诊断具有重要的影响,而当前已有研究结论无法精确分割各个部分。提出了一种基于点分布模型和流形学习的双态形状重构的方法,并对前列腺超声图像进行分割:通过随机森林指示隐态表达进行目标初定位;改进边界算子以改善粗分割准确性;使用显态表达与噪声部分相邻的部分灰度显著点来进行插值计算,从而恢复整体形状。该分割方式不仅减少了数据计算量,还增加了分割可靠性。实验表明,该方法的DSC指标为97.38%,mIoU指标为95.24%,精度强于当前热门分割神经网络。

基于双判别器异构CycleGAN框架下多阶通道注意力校准的室外图像去雾

图像去雾是计算机视觉领域中一个经典并具有挑战性的研究方向.近年来,基于深度学习的方法在图像去雾领域取得了显著的成绩.然而,大多数去雾算法依赖于合成配对数据训练网络,由于合成数据与真实有雾数据在分布上存在一定的差距,从而限制了这类去雾方法的实际应用.目前基于CycleGAN网络框架的去雾算法将图像去雾视为一般性图像转换问题,忽视了生成器学习的有效性;此外,在恢复图像时缺乏对于局部区域的探索,构建的网络结构中仅采用一阶通道注意力,忽略了深层次通道相关信息的有效利用.为此,本文提出一种基于双判别器异构CycleGAN框架下多阶通道注意力校准的室外图像去雾算法,该方法主要包含双判别器异构循环框架和多阶通道注意力模块.具体来说,双判别器异构CycleGAN框架通过异构批归一化的生成器和约束生成器局部视野的方式,提升算法的收敛效果和增加局部区域关注.为了进一步挖掘对于图像去雾至关重要的特征通道信息,本文通过引入一阶、二阶特征统计量提出了多阶通道注意力模块,从而提升去雾图像的视觉质量.实验结果表明,在公开合成和真实室外数据集上,本文提出的去雾方法相比现有的8种优秀的去雾算法,取得了最好的客观评价指标和视觉效果.

FCG-NNER:一种融合字形信息的中文嵌套命名实体识别方法

基于跨度的模型是嵌套命名实体识别的主要方法,其核心是将实体识别问题转化为跨度分类问题。而在中文数据集中,由于中文单词不具有明显的分割符号,导致语义和边界信息不明确,进而造成中文嵌套命名实体识别效果不佳。为了解决这一问题,提出了融合字形信息的基于跨度的中文嵌套命名实体识别算法——FCG-NNER,首先通过卷积神经网络获取汉字的字形信息,其次通过交叉Biaffine双仿射解码层实现原文信息与字形信息融合,然后通过对角融合CNN层获取不同跨度之间的局部相互作用,最后将交叉Biaffine双仿射解码层的输出与对角融合CNN层的输出相加后输入到全连接层中,得到最终的预测结果。采用2个具有代表性的中文嵌套NER数据集(CMeEE和CLUENER2020)用于实验验证。结果显示,FCG-NNER在CMeEE数据集中的精度为65.02%,召回率为67.93%,F1值达到0.664 4;在CLUENER2020数据集中的精度为79.45%,召回率为82.33%,F1值达到0.808 6,证明FCG-NNER算法的性能明显超过2个数据集的基线。

基于改进全连接条件随机场的SAR影像变化检测

变化检测是遥感领域的重要研究方向。针对现有条件随机场变化检测技术的不足,通过改进全连接条件随机场(fully connected conditional random field,FCCRF),提出一种全新的合成孔径雷达(synthetic aperture Radar,SAR)影像变化检测方法。首先,对生成SAR差分影像的对比算法进行总结,将其划分为像素级、邻域级和超邻域级3个层级;然后,选取对数比、邻域比和改进非局部图3种典型对比算法,生成3组互补差分影像;最后,通过扩展FCCRF二元势函数的高斯核个数对FCCRF进行改进,并利用改进后FCCRF模型生成变化检测图。所提出变化检测技术能够综合利用2期SAR影像的原始影像、3组互补差分影像和影像全局空间信息。另外,本文通过提出一种简单有效的参数确定策略,使得FCCRF能够全自动进行变化检测。4组真实SAR影像数据的实验结果表明,本文方法可行有效。

基于约束卷积与注意力机制的图像篡改检测

在进行图像篡改检测时,需要重点解决的问题是如何来挖掘图像中的篡改信息以及怎样对篡改信息进行提取,直接影响到了模型对篡改特征的学习程度和检测效果。当前基于目标检测网络来实施图像篡改检测的模型常依赖Faster R-CNN为根基进行构建,但卷积操作会擅自提取视觉特征并且存在卷积归纳偏差,致使网络无法对篡改图像信息进行全面的分析,一定程度上限制了模型对篡改区域的识别能力。同时,Faster R-CNN对目标区域的池化方式还会带来检测精度上的丢失。提出一种以Transformer模型为根基搭建的注意力机制图像篡改检测模型。模型首先融合篡改图像的RGB信息和约束卷积层提取的图像噪声信息,然后利用CBAM注意力模块对融合特征进行处理得到优化后的篡改特征,最后将优化特征送入Transformer进行篡改区域的识别并输出检测框和置信度分数。文中提出的模型与RGB-N、RGB-E和FCR-CNN模型相比,在NIST16数据集上的F1分数分别提高了7.57%、2.94%和0.31%,在Columbia数据集上的F1分数分别提高了16.22%、15.45%和2.36%。以热力图的形式对实验过程中的篡改特征图进行可视化与比对,进一步验证了上述方法的有效性。

基于数据均衡的遥感变化检测训练集生成方法

深度学习已成为遥感变化检测的主流方法。然而,深度学习需要大量的标记样本来训练网络模型,而生成训练样本是一件费时费力的工作。为降低训练网络模型所需的样本量,提出一种基于数据均衡的遥感变化检测训练集生成方法。该方法主要包括两部分:第一部分提出一种基于数据均衡策略的训练集生成方案,获得初始的训练数据集;第二部分给出一种顾及尺度多样性的数据增强方法,来扩展初始训练集。采用2组常用的变化检测数据集——武汉建筑物变化检测和谷歌地球变化检测数据集,来验证所提方法的有效性。实验结果表明,所提方法能够在保证精度的前提下,显著降低所需训练集的数量。

基于小型无人机遥感的单体地质灾害应急调查方法与实践

大型、专业的无人机遥感已开始广泛应用于大面积地质灾害调查中,本文则以近年来在三峡库区进行地质灾害应急调查的多次成功实践为基础,系统总结并建立了一套采用更加简单灵活的小型无人机遥感系统开展单体地质灾害应急调查的方法,主要包括:基于地质灾害应急调查特点定制了更具针对性和适用性的多旋翼小型无人机系统;制定了室内准备、现场作业、快速处理面处理等在内的具体实施流程;提出了像控点布设及测量、航线规划、飞行拍摄过程控制及成果处理等关键技术方法。实践表明,应用以上方法开展基于小型无人机遥感的单体地质灾害应急调查,不仅可以大大降低现场工作时间、强度以及风险,而且可以获得高精度遥感成果及信息,从而真正满足地质灾害应急调查既"快"且"高效"的客观需求。

引入小型无人机遥感的滑坡应急治理勘查设计方法

小型无人机遥感发展迅猛并开始广泛应用于大范围地质灾害调查,但针对单体滑坡的较少。将小型无人机遥感技术引入到滑坡应急治理工程勘查设计实践中,阐述了小型无人机遥感的作用,介绍了勘查设计工作实施流程的变化以及关键技术方法,并给出应用实例。结果表明,在滑坡应急治理工程勘查设计中引入小型无人机遥感技术,既能大大减轻现场工作时间、强度和风险,也可显著提升工作效率和成果精度,还能丰富勘查设计过程及成果的形象直观表达,可以实现滑坡勘查设计目标。