露天煤矿采场无人机遥感图像小目标检测

露天煤矿采场地形复杂,车辆事故时有发生,准确定位车辆位置对于安全生产至关重要。针对矿区无人机遥感图像小目标定位不准确的问题,提出了一种改进的YOLOv7目标检测模型。首先对原始网络模型中的ELAN模块进行卷积替换,加速网络的推理速度。并在此基础上,进一步结合eSE通道注意力机制,形成PConv-eSE卷积注意力模块,加强模型网络对小目标的特征提取能力,降低背景信息的影响。最后,使用NWD度量标准的损失函数,进一步优化网络,提高准确性。在矿区采场车辆数据集上对改进的模型进行了实验验证,结果表明：改进后的模型P_mav值达到94.5%,相对于原始模型上升了7.2%,有效解决了原始网络对于遥感小目标定位漏检的问题,为无人机在露天矿区小目标定位领域的应用提供了理论基础。     

集成空间变换结构与深度残差网络的遥感影像场景分类方法

针对传统高分辨率遥感影像的场景分类效率较低,以及卷积神经网络在遥感影像场景分类上由于空间不变性而导致的分类精度不高的问题,提出了一种结合空间变换网络和迁移学习的高分辨率遥感影像场景分类算法.首先,利用ImageNet数据集训练深度残差网络ResNet101得到预训练模型,通过知识迁移提高模型目标探测效率;之后在模型中嵌入空间变换结构,使模型能够主动在空间上变换特征映射,提高模型的鲁棒性;最后,在模型中添加Dropout层减小模型出现过拟合的概率.本方法在AID和NWPU-RESISC45两种不同规模的高分遥感影像数据集上进行了验证,在只有20%训练样本的情况下仍达到了94.30%和93.63%的分类精度.实验结果表明本次改进模型具有更好的特征提取能力,针对易误分类场景的分类结果更优.     

基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测

针对城市土地资源变化检测工作繁杂、工作量大、自动化程度低等问题，本文提出一种基于深度学习模型的高分辨率遥感影像建筑物变化检测方法，将语义分割的思想引入到遥感变化检测。基于残差结构特征较卷积层提取性能更优和特征金字塔网络多尺度预测的特点，将残差结构和特征金字塔网络融合到Unet模型中，建立FPN Res-Unet模型。该模型以Unet为基础，引入ResNet18的残差结构作为编码路径特征提取层，在每次卷积后使用边界填充，使得输入图像和输出图像尺寸一致；在解码路径每级上采样过程中，拓展支路径将特征金字塔网络融合到模型的网络主干中，将残差结构、Unet及特征金字塔网络的优点相互融合，增强了Unet的特征提取，弥补了语义分割网络对小目标检测的欠缺；在获取深层语义信息的同时关注细节信息，提高建筑物变化检测精度。实验表明，该方法在所用数据集，准确率、召回率、F₁ 3种指标均达到90%以上。     

基于支持向量机的遥感图像建筑物识别与分类方法研究

高分辨率遥感影像可以更精细地描述地物目标的几何特征、空间特征和纹理特征等信息,在各个领域中都得到广泛的应用。建筑物作为地物信息分类中的主要部分,是地形图成图的主要组成元素,对建筑物的识别与提取,直接影响到地物测绘的自动化水平,对它的识别和定位可以为特征提取、特征匹配、图像理解、制图和作为其他目标的参照体有重要的意义。针对建筑物的遥感影像特征,研究了支持向量机分类器(SVM)在建筑物识别与分类中的应用,提出了一种交叉验证的方法对参数敏感度进行分析,通过使用GridSearch算法确定模型参数设置的最优方案,并对分类结果中建筑物进行轮廓提取。通过实验表明,优化后的SVM算法对建筑物的分类精度达到90%,对比随机森林算法、最近邻分类器优势非常明显。     

基于FM-UNet++和高分二号卫星影像的露天矿区范围变化检测

利用遥感和深度学习技术实现露天矿区土地利用变化信息的自动提取对于矿区开采监测、生态环境保护具有重要意义。针对复杂异质矿区场景下土地利用类型的变化,构建新型深度学习模型FM-UNet++,利用高分二号(GF-2)卫星影像实现露天矿区的自动变化检测。首先,通过资料调查和目视解译制作露天矿区变化检测数据集,通过数据增强对其进行扩充;其次,通过在UNet++模型中引入特征增强坐标注意力机制FECA(Feature-enhanced Coordinate Attention)和Mish激活函数构建面向露天矿区变化检测的FM-UNet++模型;最后,训练FM-UNet++及7种对比模型进行露天矿区变化检测实验,并比较不同深度学习模型的检测结果。结果表明：特征增强坐标注意力机制FECA和Mish激活函数均提升了UNet++模型的露天矿区变化检测性能。FM-UNet++模型对露天矿区变化检测的精确率(Precision)、召回率(Recall)、F1-Score和交并比(IoU)值分别达到95.6%、89.2%、92.3%和85.7%,相较于FCN、PSPNet、Deeplabv3+、LANet、UN...     

基于难易样本平衡因子的遥感图像目标检测

遥感图像目标检测一直是遥感图像领域中的热点和难点问题,旨在分类和定位感兴趣目标.近年来卷积神经网络理论技术的快速发展,有效地解决了传统目标检测方法特征提取不足的问题.在公开的遥感数据集RSOD-Dataset上,基于YOLOv3算法模型进行目标检测,为了适应遥感图像中目标小、背景复杂等难分类样本的特点,在检测模型中引入...     

基于多尺度循环注意力网络的遥感影像场景分类方法

高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度.      

基于各类特征对齐迁移网络的多时相遥感图像分类

为了在目标域遥感图像不存在标记数据的情况下实现自动分类,论文提出一种基于特征对齐的迁移网络.网络以各类类心对齐和协方差对齐作为迁移策略,全面描述域间各类别之间的对应关系,实现知识迁移.另外,网络采用线性修正单元作为激活函数,能够产生稀疏特征,提高分类效果.该迁移网络能够同时获得对齐的特征和自适应分类器,不需要目标域的标记数据,实现无监督迁移学习.在多时相的Hyperion高光谱遥感图像和WorldView-2多光谱遥感图像上的实验结果证明了该迁移网络的有效性.      

岷江流域无人机遥感影像拼接及灾害信息提取

针对无人机遥感影像的特点,提出了一种基于特征点和重叠度的快速自动拼接算法.该算法实现了用于计算参考图像和待配准图像之间重叠度的相位相关法,并提出只在重叠区域中进行特征提取和特征匹配的方法.利用岷江流域无人机遥感图像进行了实验,结果表明,该算法使图像拼接有效地防止了图像非重叠区域中信息对算法的干扰,提高了拼接算法的精度和速度.并利用拼接的图像对茂县至都江堰的岷江主干河流进行了灾害信息提取和统计分析,为建立无人机高分辨率低空遥感数据的快速处理和应急灾害信息提取具有重要的指导意义.     

一种基于多源数据融合的滑坡地形深度学习识别模型研究

传统高位远程滑坡识别依赖地质专家人工判别,识别效率较低。研究实现一种基于深度学习的滑坡地形自动识别模型,以提高大范围区域潜在滑坡隐患点筛查工作的效率。该模型以目标区域的遥感图像、DEM数据、地质分区、河流水系等地质观测数据为输入,针对不同类型观测数据差异巨大的问题,设计构建特征分支网络,精确提取对应的滑坡特征。对光学影像数据采用深层网络架构提取复杂特征,对海拔、地质构成、河流和断裂带分布等结构化数据采用浅层网络架构提取特征。随后设计特征融合模块,融合两个网络的提取结果获得全面的滑坡灾害特征。模型基于提取的滑坡特征进行滑坡区域语义分割,实现精准的像素级别滑坡地形分类和定位。通过实验验证,该模型对滑坡区域的识别准确率（ACC）达到了0.85,可为滑坡自动识别提供技术支撑。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

基于大数据的遥感图像植被识别方法

植被泛指地球表面的植物群落,包括草地、森林、沼泽等。遥感影像具有宏观性、客观性、精确性、实时性等特点,能够真实地反映地表覆盖物的状态,清晰地展现各种地表覆盖类型的特征及分布情况。传统的基于遥感影像的植被识别采用人工作业的方式,极大地依赖于人的先验知识,且效率极低。随着遥感应用技术的快速发展,很多自动化的植被检测技术被提出。这些方法在特定范围内得到了应用,但同时也存在着一些缺陷。在采用分块原则预处理较大影像数据的基础上提出了一种基于特征融合的SVM分类算法来探讨遥感影像中的植被识别。实验表明,提出的算法具有较好的识别效果和较高的执行速度。     

贵州施秉县耕地质量等级与保护利用建议

针对车间的混合流水线调度问题（HFSP）存在智能算法寻优过程中节能目标即适应值评估代价高的问题,首先,通过分析车间节能模型建模的编码方式,提出一种基于矩阵编码机制的特征向量提取方法,引入核函数有利于极限学习机（ELM）求解节能目标。其次,对需要构建代理模型的改进多目标多元宇宙优化算法（IMOMVO）进行计算复杂度分析,建立了基于ELM的代理模型,设计数据驱动优化的车间节能目标算法框架。最后,基于均匀分布变量的拉丁超立方抽样,形成初始化样本,与BP算法进行预测性能验证和计算时间对比两个实验。实验结果显示,ELM算法的拟合优度为0.97381,预测性能指标均优于BP算法。单个适应值平均计算时间为5.4×10-4 s,仅为真实求解的18.5%。说明ELM在车间节能目标预测问题具有良好的效果。     

基于残差注意力机制的泥石流沟谷识别

针对泥石流灾害沟谷图像分类问题,文章对Resnet18网络进行改进,提出了一种改进的卷积神经网络模型。通过在网络结构中加入残差注意力模块,解决了原模型提取图像特征较差、边缘模糊的问题,改进后的网络能精确捕捉到泥石流灾害沟谷图像中的轮廓和内部山脊信息。此外,文章还对多种注意力机制结构进行了实验对比,分析其差异性,得出最适...     

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

适用于海量遥感影像的分布式计算框架设计与实现

针对海量遥感影像的处理与计算问题,在MapReduce计算模型的基础上,设计并实现了一种适用于海量遥感影像的分布式计算框架SPC(Split Process Cluster)。SPC框架能够对遥感影像数据进行分割,再通过Hadoop进行分布式处理,最后采用聚类算法对结果进行归并,从而实现海量遥感影像的分布式处理。测试结果表明,相比单节点的处理方式,SPC框架能够充分发挥分布式处理的性能优势,其影像处理效果也较好。     

遥感影像云雾分离的BP神经网络方法研究

使用改进算法构造BP神经网络,利用MATLAB中train函数训练,并用sim函数进行仿真,达到提取遥感影像中雾区的目的。图像处理结果表明,BP神经网络方法可以较好地分离影像中的雾区与其他地物。     

基于蚁群算法的光谱分解方法剔除植被干扰信息

针对遥感图像预处理工作中,光谱分解方法处理速度慢而蚁群算法识别目标速度快的特点,结合蚁群算法和线性光谱混合模型,建立基于蚁群搜索的光谱分解模型,以剔除植被干扰信息。选取青海黄南州吉地地区为研究区,首先确定蚂蚁移动规则,然后建立基于蚁群算法的光谱分解模型,最后根据模型重构不含有植被信息的新的多波段图像,通过残差图分析以及原图与剔除植被后影像对比分析,初步验证了基于蚁群算法的光谱分解方法剔除植被干扰信息的可行性。      

基于不良地质识别的分类方法研究与分析

中国西部的沙漠、冻土和盐渍土等典型的不良地质现象日益显现,基于遥感影像的不良地质识别已经成为遥感处理研究领域的一个热点和难点。以新疆尉犁县罗布人村寨为研究区域,针对当地典型的不良地质体遥感影像特征,主要探讨SVM分类、K均值分类以及基于因果关系的贝叶斯网络分类3种分类方法,初步尝试不同分类方法的融合,并通过实验对比分析了3种方法的分类效果和精度。结果表明:SVM分类结果为块状分布,K均值分类结果为点状分布,基于因果关系的贝叶斯网络分类取得了更好的分类精度,3种方法取得的影像融合更好地表达了多种不良地质体的识别效果。