基于深度支撑值学习网络的遥感图像融合

该文将深度学习用于遥感图像融合,在训练深度网络时加入了结构风险最小化的损失函数,提出了一种基于深度支撑值学习网络的融合方法.为了避免图像融合过程中的信息损失,在传统卷积神经网络的基础上,取消了特征映射层的下采样过程,构建了深度支撑值学习网络(Deep Support Value Learning Networks,DSVL Nets),DSVL Nets网络模型包含5个隐藏层,每一层的基本结构由卷积层和线性层构成,该基本单元提供了一种多尺度、多方向、各向异性、非下采样的冗余变换,该模型在网络训练完毕之后,取出各卷积层和第5个隐藏层的线性层作为网络模型的输出层.输出层的各卷积层图像融合采用绝对值取大法,得到融合后的各卷积层图像;另外,将线性层图像分别在过完备字典上进行稀疏表示,并对稀疏系数采用绝对值取大法进行融合,得到融合后的线性层图像;最后将融合后的各卷积层和线性层图像重构得到结果图像.文中使用QuickBird和Geoeye卫星数据验证本文所提方法的有效性,实验结果表明,与PCA、AWLP、PN-TSSC和SVT算法相比较,该文所提方法的融合结果无论在主观视觉还是客观评价指标上均优于对比算法,较好地保持了图像的光谱信息和空间信息.

基于小波融合和PCA-核模糊聚类的遥感图像变化检测

本文提出了一种变化检测方法以提高算法的鲁棒性、检测精度以及抗噪性.首先对差值法构造的差异图和比值法构造的差异图进行小波融合.然后将融合图像分成互不重叠的小块,并用主成分分析得到图像块的正交基.通过将融合图像中每个像素的邻域小块映射到正交基上使得每个像素用一个特征向量来表示.最后用基于核的模糊C均值对特征向量进行聚类.实验结果显示与使用单一类型差异图的聚类方法相比,本方法由于采用了图像融合的策略而增强了鲁棒性,且由于采用了核模糊聚类,进一步提高了变化检测精度.此外由于使用了特征提取的技术,本方法具有一定的抗噪性能.

基于子视数据相关性的极化合成孔径雷达图像噪声抑制

基于极化合成孔径雷达(Pol SAR)的子视数据相关性提出了一种新的非局部滤波器。非局部算法在一个较大的空域中搜寻待滤波元素所在图像块的相似图像块,并以基于它们的相似程度来对图像数据进行加权滤波。因而相似度计算在非局部滤波器里起到至关重要的作用。PolSAR图像子视数据之间的相关性包含有较对应的多视数据点之间更多的信息,这些信息有利于更加精准的计算非局部滤波器中相似度的估计。新提出的滤波器通过假设检验来估计两组子视数据集是否同质,并以此为依据估计图像块之间的相似性。通过对同质区域的加权滤波实现对Pol SAR数据的噪声抑制。对比实验证实了新提出的滤波器的有效性和优异性能。

基于稀疏自编码器和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类（英文）

针对极化SAR图像训练样本数目较少问题以及极化SAR图像同质区域较多的特性,提出了一种新的两层分类框架,结合了稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像进行分类.该框架包括个步骤,第一个步骤使用稀疏自编码器来获得一个初始分类;第二个步骤使用边缘保持的Wishart马尔科夫随机场对第一层的分类结果进行修正.在应用Wishart马尔科夫随机场的过程中,由稀疏自编码器分类得到的边缘得以保持,并且提出了新的分类错误纠正策略确保分类的准确性.因此,通过稀疏自编码器得到的精确分类边缘可用于不同的区域并且在应用Wishart马尔科夫的过程中得以保持.和其他分类方法相比,该方法得到较高的分类精度,证明了新方法的有效性.

神经网络七十年:回顾与展望

作为联接主义智能实现的典范,神经网络采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程,是人工智能发展中的重要方法,也是当前类脑智能研究中的有效工具.在七十年的发展历程中,神经网络曾历经质疑、批判与冷落,同时也几度繁荣并取得了许多瞩目的成就.从20世纪40年代的M-P神经元和Hebb学习规则,到50年代的Hodykin-Huxley方程、感知器模型与自适应滤波器,再到60年代的自组织映射网络、神经认知机、自适应共振网络,许多神经计算模型都发展成为信号处理、计算机视觉、自然语言处理与优化计算等领域的经典方法,为该领域带来了里程碑式的影响.目前,模拟人脑复杂的层次化认知特点的深度学习已经成为类脑智能中的一个重要研究方向.通过增加网络层数所构造的"深层神经网络"使机器能够获得"抽象概念"能力,在诸多领域都取得了巨大的成功,又掀起了神经网络研究的一个新高潮.文中回顾了神经网络的发展历程,综述了其当前研究进展以及存在的问题,展望了未来神经网络的发展方向.

混合多目标算法用于柔性作业车间调度问题

在生产调度领域,柔性作业车间调度问题是一个非常重要的优化问题。大多数研究通常优化的目标只是最大完工时间,而在实际中,往往要考虑多个目标。因此,提出了一种新的混合多目标算法用于解决柔性作业车间调度问题,其中考虑了3个目标,分别是:最大完工时间、机器总负载和瓶颈机器负荷。算法设计了有效的编码方式和遗传算子,并采用非支配近邻免疫算法求解非支配最优解。为了提高算法性能,提出了3种不同的局部搜索策略,并将其结合在多目标算法中。在多个数据集上的实验对比结果表明,所提算法优于其它代表性的算法。此外,实验结果还验证了局部搜索技术的有效性。

基于矩阵对数累积量的极化合成孔径雷达数据去噪方法

噪声抑制是极化合成孔径雷达(PolSAR)数据处理中的重要步骤,首次将矩阵的对数累积量应用于PolSAR去噪当中,由数据点的子视数据集计算滤波系数并结合非局部方法的思想实现了PolSAR的斑点噪声抑制。所用方法基于非局部策略选取同质区域,然后利用相干矩阵对数累积量计算得到的滤波系数进行加权滤波。该方法的优点在于同质区域选取和滤波系数的计算均是针对相干矩阵进行的,相对于仅使用主对角线上的元素或SPAN图像,其对极化数据的处理更具合理性。与其他PolSAR去噪算法的对比实验结果表明,该方法在有效平滑同质区域的同时,能够更好地保留地物结构、细节以及纹理信息,并能更好地保持数据的极化相关性。