条件生成对抗网络在遥感图像复原中的可行性

对于遥感图像中降质模糊的问题,经典的图像复原方法由于模糊函数难以估计等原因,复原效果较差。为了避免估计模糊函数带来的困难,通过深度学习的方法对图像进行去模糊,研究了基于条件生成对抗网络(conditional generative adversarial nets,CGAN)的图像复原方法。首先创建训练网络的训练库,然后设置网络训练的初始参数,该网络以对抗的方式来使生成模型和判别模型进行交替学习,通过不断学习降质图像和清晰图像之间的差异,并结合了对抗损失和感知损失来缩小两者之间的差异,实现图像复原。实验采用以GOPRO数据集为基础的混合模糊训练库来训练网络,并与其他方法进行了对比试验,结果表明,在图像细节和评价指标方面,CGAN具有较好的复原效果,保证了复原图像的细节信息和纹理信息,证明了该方法可以用于遥感图像的复原。     

面向单幅遥感图像的生成对抗网络超分辨率重建

利用低分辨率图像生成高分辨率图像的过程称为图像超分辨率,目的是得到一张清晰的影像。随着人工智能的蓬勃发展,在遥感、辅助文本识别等诸多领域,图像超分辨率的应用愈加广泛。本文利用生成对抗网络的深度学习模型进行单图像超分重建,SRGAN模型相较于传统方法,提出了新的感知损失函数,由对抗损失和内容损失组成。对抗损失通过训练判别器网络结构区分生成图像和实际高分辨率图像,而内容损失则利用预训练的VGG19网络模型计算图像特征的感知相似度,而不是在像素空间上的相似度。试验证明,利用SRGAN获得的高分辨率图片,MOS指标高于传统方法。本文围绕SRGAN的原理、效果、应用等进行了阐述。     

基于Sentinel-2卫星遥感影像的去云方法研究

在光学遥感卫星图像中,云是普遍存在的现象,它严重降低了图像的质量,因此,去云处理就是一个必不可少的步骤.深度神经网络在许多图像处理任务中取得了成功,但是利用该方法针对遥感图像的去云研究较少.本文采用GAN来解决遥感图像去云问题,首先训练生成模型生成无云影像,同时训练判别模型使生成的模型更加真实和清晰,最终达到从被云覆盖的卫星图像中恢复并增强这些区域的信息,生成质量更好的无云图像的目的.基于人工智能标注的Sentinel-2卫星遥感影像数据集的试验表明,与传统的小波变换基准相比,提出的生成对抗网络模型在去云处理方面效果有明显提升.     

多时相遥感影像语义分割色彩一致性对抗网络

利用深度卷积神经网络智能化地提取遥感图像中的建筑物对于数字城市构建、灾害侦查、土地管理等具有重要意义。多时相遥感图像之间的色彩差异会导致建筑物语义分割模型泛化能力下降。针对此,本文提出了注意力引导的色彩一致生成对抗网络（attention-guided color consistency adversarial network,ACGAN）。该算法以参考色彩风格图像及相同区域、不同时相的待纠正图像作为训练集,采用加入了U型注意力机制的循环一致生成对抗网络训练得到色彩一致模型。在预测阶段,该模型将待纠正图像的色调转换为参考色彩风格图像的色调,这一阶段基于深度学习模型的推理能力,而不再需要相应的参考色彩风格图像。为了验证算法的有效性,首先,将本文算法与传统的图像处理算法及其他循环一致生成对抗网络做了对比试验。结果表明,ACGAN色彩一致后的图像与参考色彩风格图像的色调更加相似。其次,将以上不同的色彩一致性算法处理后的结果图像进行建筑物语义分割试验,证明本文方法更加有利于多时相遥感图像语义分割模型泛化能力的提升。     

面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度,提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成,其中生成器用于模拟高光谱样本的数据分布,生成特定类别的样本;判别器是一个二值分类器,用于判断输入的样本是否为真实数据;分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小,从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器,因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验,试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。     

生成式知识迁移的SAR舰船检测

为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图像空间分布一致且包含SAR图像特征的带标注模拟图像;使用所生成的带标注模拟图像,进一步优化舰船检测网络,以提高基于深度卷积神经网络的舰船检测的泛化性能。SARShip-Detection-Datasets (SSDD)和AIR-SARShip-1.0两个公开数据集上的实验结果表明,该框架有效提高了在仅包含少量标注SAR图像样本情况下的舰船目标检测效果,可显著降低舰船在复杂背景图像中漏检和误检的概率。     

基于生成对抗网络的无人机图像去模糊方法

提出一种基于加权感知损失的生成对抗网络(GAN)用于无人机图像去模糊。实验中采用具有跳跃连接结构的网络作为生成器,并对生成器使用加权感知损失进行约束,在生成器和判别器进行对抗式训练过程中,生成器不断学习并优化模糊图像到对应清晰图像的映射函数。另外,由于PSNR、SSIM图像质量客观评价指标的局限性,提出使用感知损失作为监控网络优化过程和模型选择的评价指标,最后使用感知损失选择的生成器模型对模糊图像进行盲去模糊。实验表明,该方法可快速有效地恢复出细节清晰的图像。     

用图像质量评价量实现的真实图像和计算机生成图像的鉴别方法

真实图像和计算机生成图像的鉴别是数字图像盲取证中的一个重要问题。提出了一种真实图像和计算机生成图像的鉴别方法。借用模式识别中的二分类概念,采用图像质量评价量来建立模型,以捕获真实图像和计算机生成图像的统计差异,选用支持向量机作为分类器进行训练和测试。实验结果表明,该方法计算方便、实用性强、可靠性高。     

用图像质量评价量实现的真实图像和计算机生成图像的鉴别方法

真实图像和计算机生成图像的鉴别是数字图像盲取证中的一个重要问题.提出了一种真实图像和计算机生成图像的鉴别方法.借用模式识别中的二分类概念,采用图像质量评价量来建立模型,以捕获真实图像和计算机生成图像的统计差异,选用支持向量机作为分类器进行训练和测试.实验结果表明,该方法计算方便、实用性强、可靠性高.     

基于生成对抗网络的窗户精细结构半监督识别

针对当前立面窗户重建存在的精细结构缺失、标注数据获取困难、迁移学习精度不高的问题,提出了一种基于生成对抗网络(GAN)的半监督精细窗户结构识别方法。该方法使用纹理影像进行信息提取,基于半监督学习的方式,从大量无标签数据中构建生成对抗网络模型,提升了模型的泛化能力和抗干扰能力。实验表明,本文方法可以明显提升小样本下建筑立面窗户的种类识别精度和参数回归精度,应用于实际建模之中也取得了良好的效果。     

航拍图像跨数据域特征迁移道路提取方法

针对传统道路提取方法应用于新数据泛化能力不足的问题,研究了通过特征迁移和编解码网络实现跨数据域的道路提取方法。首先,构建了基于编解码网络的道路提取基本模型,用于实现单一数据来源的道路提取任务。然后,基于道路提取网络结构和循环一致性原则,提出了用于跨数据域图像特征迁移的循环生成对抗网络,使目标域图像映射入源域特征空间。使用预训练的道路提取模型处理特征迁移后的目标域图像,即可实现跨数据域道路提取任务。试验结果表明,本文所提方法能够拓展道路提取网络的泛化能力,准确有效地提取跨数据域图像中的道路目标。相较于未特征迁移的结果,本文所提方法大幅改善了道路提取指标,使得F1提升了50%以上。本文方法不需要目标域的标注信息,也不需要对道路提取网络进行微调训练,而只需训练由目标域向源域的特征迁移模型,所耗时间和人力成本较低,因而具有良好的应用价值。     

基于插值算法的真实图像与计算机生成图像鉴别

根据真实图像和计算机生成图像在采集方式上的不同所导致的关联性差异,建立了基于隐马尔科夫模型和图像能量谱特性的插值检测算法,选用支持向量机作为分类器进行训练和测试,对真实图像和计算机生成图像进行了分类。在哥伦比亚大学真实图像和计算机生成图像数据库上的实验结果表明,该方法可以达到98.8%的准确率,具有广阔的应用前景。     

基于插值算法的真实图像与计算机生成图像鉴别

根据真实图像和计算机生成图像在采集方式上的不同所导致的关联性差异,建立了基于隐马尔科夫模型和图像能量谱特性的插值检测算法,选用支持向量机作为分类器进行训练和测试,对真实图像和计算机生成图像进行了分类.在哥伦比亚大学真实图像和计算机生成图像数据库上的实验结果表明,该方法可以达到98.8%的准确率,具有广阔的应用前景.     

单样本对卷积神经网络遥感图像时空融合

遥感图像时空融合是一种生成兼具高时空分辨率的合成遥感数据的技术。近年来,产生了一些基于卷积神经网络的时空融合方法。这些方法效果良好,但需要较多的图像样本对训练模型,限制了它们的应用。针对此问题,本文提出了一种单样本对卷积神经网络时空融合方法（SS-CNN）。该方法以高空间分辨率图像的波段平均图像提供的空间信息激励卷积神经网络建立高、低空间分辨率图像间的超分关系,进而利用该超分关系映射求解目标高空间分辨率图像。在实验中使用两个模拟数据集和一个真实数据集对该方法进行了测试,并与两种常用的时空融合方法做了比较。实验结果表明,SS-CNN在单样本对训练的情况下,可以较好地预测地物的物候变化和类型的变化,且在异质性高、地块破碎的区域表现良好。其不足之处在于会在地物边界上会造成轻微的模糊,将来需针对此问题做进一步改进。     

遥感大数据条件下多星一体化处理与分析

中国对地观测数据获取量持续增加,已步入遥感大数据时代,开展多星一体化数据处理与应用已成为发展趋势。文章从成像处理与信息提取两个方面系统回顾了技术发展过程,剖析了现有前沿方法的优势和特点,指出成像处理领域建立统一处理模型、信息提取领域建立高效学习模型面临的主要挑战。在此基础上,结合实际应用需求,提出了遥感大数据条件下多星一体化处理与分析的新思路,重点阐述了多星一体化处理与分析的基本概念、科学问题与解决方案,通过构建基于生成对抗网络的多星一体化成像处理模型与记忆保持的多任务特征共享与小样本增量学习模型,综合利用不同卫星和载荷间、不同任务和目标间信息,实现高质量图像产品的生成与高精度标注结果的提取。文末给出了技术途径和初步试验验证,并展望后续技术攻关方向。     

局部自相似性与MRF网络模型的超分重建算法

针对局部自相似性重建方法的块效应问题,以及MRF网络模型方法外部训练库数据不相关性产生的图像重建误差问题,提出了一种结合局部自相似性和MRF网络模型的超分辨率重建方法。首先,利用图像局部自相似特性,引入自身冗余信息构建高分训练库,然后建立低分与高分训练库映射的MRF网络模型,通过置信传播算法求解MRF模型重建高分图像。以仿真和真实卫星图像进行超分实验,结果表明本文方法能够改善图像的细节,较好地去除了块效应,提高了地物边缘的清晰度。     

面向虚实融合的单体建筑物实时识别与定位

针对当前矢量地图导航缺乏真实环境信息,而视觉地理定位依赖海量图像标注数据的问题,提出了一种面向虚实融合的单体建筑物实时识别与定位方法。该方法以智能手机为载体,利用轻量级深度网络SSD(single shot detector)实时检测手机视频流中的建筑物对象类别,通过调用手机内置传感器获取当前定位信息与拍摄视角,并以矢量地图信息为辅助,在仅需识别出建筑物类别的情况中,准确获得单个建筑物的属性与定位信息,并与矢量地图进行叠加可视化,最终达到真实地理环境与矢量地图融合的增强导航。随机采集了550张建筑物图像,经过处理标注后作为训练标签,在计算机上训练SSD的建筑检测功能并且进行验证;将训练好的SSD网络模型迁移到移动端,结合地理围栏方法与手机传感器开发可识别建筑单体信息的增强导航系统,将系统部署在手机上进行测试。实验结果表明,该方法可充分利用矢量地图与实景图片的互补信息,在仅需少量建筑物标注样本的情况下,实现单体建筑物信息增强的手机端地图导航,有效缓解了矢量地图定位不够直观的问题。     

高分影像场景分类的半监督深度卷积神经网络学习方法

传统基于深度卷积神经网络的场景分类方法往往需要大量标记样本用于模型的参数训练,在标记训练集数量有限的情况下,学习得到的特征泛化能力降低.针对这一问题,本文提出了高分影像分类的半监督深度卷积神经网络学习方法(3sCNN),采用自学习半监督策略,训练阶段不断增加训练样本:首先,通过有限的标记数据对深度网络进行初步训练;然后,利用经过初步训练的网络对未标记数据进行预测,得到未标记样本的预测标签及其对应的置信度;最后,将具有高置信度的未标记样本作为真实标记数据加入到训练集中,继续对网络进行训练并重复上述过程.为验证算法的有效性,本文在3个常用数据集上进行试验,试验结果证明本文算法可以有效提高有限样本下高分影像场景分类精度.     

一种基于条件生成式对抗网络的道路提取方法

基于车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,传统方法面临着轨迹数据源要求高、道路提取算法复杂、不同道路提取模型参数适应性不强等问题。针对以上问题,提出基于条件生成式对抗网络的轨迹地图向道路地图转换的轨迹-道路转换方法。该方法以轨迹数据与道路数据的对应关系为先验知识,通过"生成-博弈"的不断循环逐渐逼近最优结果,学习优化条件生成式对抗网络模型参数。首先将轨迹数据栅格化处理,然后基于样本数据学习优化条件生成式对抗网络参数,最后将训练好的模型应用到整个实验区域提取道路数据,发现所提方法可以有效地发现新增道路;同时将训练好的轨迹-道路转换模型与栅格化道路提取方法对比,发现所提方法在轨迹稀疏稠密区域都有更强的轨迹数据适应性,且生成的道路精确率更高。     

基于Inception结构的手写汉字档案文本识别方法

针对手写汉字文本识别准确率不高的问题,提出了一种结合卷积神经网络和循环神经网络进行手写汉字文本识别的端到端方法。首先,通过Inception模块构建的卷积神经网络提取文本图像的基本特征;然后,使用循环神经网络对提取的特征进行预测,并输出一个关于汉字字符集的概率分布;最后,采用连接主义序列分类算法计算识别结果并构建损失函数。利用所提方法在手写汉字文本数据集上进行实验, 结果表明,Inception模块和数据增强方法可以有效提升算法的性能,并取得了71.2%的识别准确率和0.060的文本编辑距离,较现有方法性能有所提升,证明了所提方法的有效性。