融合深度学习与几何算法的单目视觉里程计方法

针对传统单目视觉里程计缺少深度信息，导致大规模尺度漂移的问题，该文提出了一种融合无监督深度学习与几何算法的视觉里程计方法。在单目深度2(Monodepth2)网络的基础上，提出了深度及姿态一致性损失，引入改进的通道-空间注意力模块，解决了自监督联合深度姿态学习中尺度不一致的问题；从密集光流中提取精确的稀疏匹配，通过求解本质矩阵来恢复相对姿态，使其不依赖于姿态网络(PoseNet),具有更好的鲁棒性。在KITTI数据集上进行实验，结果表明，该文提出的方法相比传统几何方法和端到端的深度学习方法，在多项评估指标方面有明显提升，验证了该算法的有效性。     

参数椭球数学性质的初步研究

对“参数椭球”的数学性质进行了初步研究，在极点和赤道重力位相等的约束条件下，当“双层椭球”内的界面无限趋向参数椭球表面时，参数椭球的内椭球趋向麦克劳林椭球。这个结果核实了参数椭球的数字存在，对研究解决双层椭球的引力问题来说，向前迈进了一步。     

基于深度学习的大规模点云语义分割方法综述

为了展示深度学习在点云处理上最新进展，同时促进对点云语义分割方法的研究，该文对基于深度学习的大规模点云语义分割方法进行了综述。在介绍8个室内和室外语义分割数据集的基础上，重点对近几年的深度学习点云语义分割方法进行了归纳和分析，并在S3DIS、Semantic3D、Toronto3D、ISPRS Vaihingen 3D和SemanticKITTI数据集上对不同方法进行了比较，并构建了相应的基准。最后对目前点云语义分割算法存在的问题和未来趋势进行了分析。     

结合深度学习与规则特征的立面窗户检测方法

针对现有通过检测窗户角点实现窗户检测方法中存在窗户误检的问题，该文在窗角点分组阶段，以建筑物立面窗户的分布规律及其自身的几何结构特征为依据，提出一种参数自适应的窗角点分组方法。该方法是在使用深度学习方法获取窗户4个角点坐标的基础上，结合窗户角点及其连线的空间位置关系、平行垂直关系，建立窗角点分组判别依据，实现对窗角点检测结果的准确划分，进而得到有效窗户检测结果。为验证该方法的有效性，选用4个公开数据集进行窗户检测实验，结果表明：该方法可有效支持多类图像数据、实现全自动化运行，且与现有方法相比，具有更高的检测精度。     

Res＿ASPP＿UNet++：结合分离卷积与空洞金字塔的遥感影像建筑物提取网络

针对连续池化操作丢失低层语义信息而导致建筑物提取精度低的问题，尝试以UNet++网络为基础，通过将编码器的标准卷积及最大池化替换成深度可分离卷积，以及在编码器末端利用不同采样率的空洞卷积构建多尺度空洞空间金字塔池化结构ASPP(Atrous Spatial Pyramid Pooling)来提升网络性能，并将改进后的建筑物提取网络称为残差空洞空间金字塔网络（Res＿ASPP＿UNet++）。为验证Res＿ASPP＿UNet++网络结构的有效性和适用性，以经过数据增强预处理的WHU和Massachusetts数据集作为数据源，对Res＿ASPP＿UNet++网络与目前常用的语义分割网络进行了试验和精度评估，并将Res＿ASPP＿UNet++网络与文献中的研究成果进行了对比。结果表明Res＿ASPP＿UNet++在模型参数量与精度两个方面均表现出优势，能够在大幅压缩模型参数量的前提下，显著提升建筑物提取精度，提取建筑物的边界更加平滑和精确，对不同尺度的建筑物表现出较强的泛化能力。     

等深线深度值的自动识别

本文利用图论的原理和算法，根据等深线间所具有的相邻和包含关系，提出了加权邻接矩阵的生成方法，同时通过特征树和关系图的搜索推理，实现了等深线树的生成和深度值的自动识别。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏，使得点云的语义信息提取十分困难，而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题，本文提出了一种结合自注意力机制的多特征融合点云语义分割网络，使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征，并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验，证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征，可以明显提高点云语义分割的精度，本文方法较PointNet++总体精度提升了4.5%。     

高分影像变化检测的孪生差分特征融合网络

针对目前高空间分辨率光学遥感影像地表变化检测面临的挑战，该文提出一种孪生差分特征融合网络方法，一方面增强了对深层变化特征的提取能力，通过差分特征能更好地引导网络学习；另一方面在网络末端引入深监督策略，有效融合多尺度信息，充分利用不同语义层次特征，从而生成高精度的变化检测结果。此外，还设计了顾及样本不均衡问题的损失函数，降低正负样本极度不平衡对模型训练的负面影响。为了评估该文提出方法的有效性和优势，在两个公开变化检测数据集上将其与5种具有代表性的变化检测方法进行对比实验，结果证明该方法能有效提升变化检测的精度，并且对尺度差异明显的地物有较强的检测能力，在轮廓细化上具有显著优势。     

动态卷积YOLOv5的视频火焰检测算法

针对传统火灾检测系统容易受地理空间的影响，且现有的深度学习方法对动态火灾的检测能力较弱等问题，该文提出了一种动态卷积YOLOv5视频火焰多尺度目标检测算法。采用K-means++算法优化了anchor box聚类，降低了分类结果的误差。基于动态卷积思想，采用剪枝方法对YOLOv5 Neck和Head的网络头进行了剪枝，降低了模型大小，实现了视频火灾的动态实时准确检测。基于不同火灾监控视频的实验结果表明，该文方法不仅可以有效地对地面监控视频中的火灾点进行检测，还能够对无人机上监控视频中的火灾点进行检测。研究结果可以应用于基于视频的不同场景的火灾检测，从而达到对现有火灾检测系统补充的作用。     

多时相SAR数据下的岭南早稻提取与时空变化分析

针对岭南地区在水稻生长期内高质量光学影像较少、难以实现对水稻种植情况进行有效监测的问题，该文利用多时相哨兵一号数据，提出一种基于阈值分割法快速提取水稻标签范围、运用U-Net深度学习模型提取水稻分布范围的方法，并分析广东省雷州市2019—2021年早稻分布时空变化情况。(1)通过对比，U-Net模型提取效果优于支持向量机算法，2019年早稻面积提取精度为87.63%,2020年为91.47%;(2)雷州市早稻种植范围持续扩大，与2019年早稻分布范围相比，2020年和2021年新增早稻种植范围主要分布在河流两岸；(3)相对于2019年，2020年和2021年由早稻种植区转变为非粮种植区的面积主要集中在南渡河中下游的附城镇、南兴镇等地，主要改种的农作物是西瓜。利用多时相哨兵一号数据可以建立长时间序列、稳定、及时、免费的水稻种植监测系统，能够实现对岭南重要产粮区耕地“非粮化”的有效监测。     

一种基于差异注意力的广西耕地“非粮化”提取研究

针对当前耕地“非粮化”监测任务重、传统自动提取方法应用于耕地“非粮化”业务难度大的问题，该文以广西壮族自治区为研究区域，研究深度学习遥感变化检测应用于耕地“非粮化”变化自动提取的可行性，提出基于余弦相似度的差异注意力模块以增强变化内容的特征表示，面向业务应用权衡不同分类阈值下召回率与精确率的优劣。经实验验证，该文模型的召回率、精确率分别约为78%与73%;相较基线方法，该文差异注意力模块可提升约3%的精度；在业务应用中，选择适当的模型分类阈值能够以仅25%的额外核查工作换取1.41%的召回率提升。实验结果表明了深度学习遥感变化检测用于耕地“非粮化”自动提取业务的可行性，为大范围耕地“非粮化”监测的业务应用提供了参考。     

面向WebGL的矢量数据三维绘制技术

矢量数据的叠加显示能够提高三维虚拟地球的表达效果与分析能力。受限于GPU的计算精度,在三维虚拟地球中矢量数据绘制普遍存在抖动现象和深度冲突现象。对基于WebGL的矢量数据三维绘制中计算精度问题进行了分析,提出了使用CPU RTC技术和GPU RTE技术提高顶点变换的精度,使用多视锥渲染算法和深度平面技术解决深度缓存精度问题。实验证明,这几种技术和算法可以有效缓解抖动现象和深度冲突现象导致的视觉干扰,改善了各种尺度和范围的矢量数据在三维地形上的叠加显示效果。     

注意力机制优化的倾斜影像局部特征匹配方法

针对倾斜影像匹配正确率低、匹配时间较长等问题，该文提出一种注意力机制优化的倾斜影像局部特征匹配算法。该算法以尺度不变特征变换(SIFT)特征为基础，通过特征点优选及深度学习匹配策略提高匹配正确率及效率。构建尺度空间进行SIFT特征点检测并确定主方向；根据地物反射光谱特性构建可见光植被指数，引入语义信息约束剔除不稳定特征点，并基于特征点邻域梯度统计值计算特征点描述向量；采用基于深度学习的注意力机制图匹配算法进行特征匹配，通过注意力机制图神经网络聚合特征点空间及上下文信息，再求解聚合后特征向量的最优部分分配矩阵，并基于阈值确定匹配点。利用不同类型无人机航空倾斜影像进行实验对比，结果表明，该文算法比现有算法匹配正确率有较大提升，匹配耗时明显降低。     

基于深度学习的遥感影像识别国内研究进展

基于中国知网中关于深度学习的遥感影像识别的文献视角,对文献的时间分布、来源分布、主题分布、内容分布、被引次数等进行分析.从卷积神经网络(Convolutional Neural Networks,CNN)、深度信念网络(Deep Belief Network,DBN)、堆叠自编码器(Stacked Auto-Encoder,SAE)和其他模型视角,揭示了国内基于深度学习的遥感影像识别的现存问题及发展趋势.研究表明,2016年以来我国基于深度学习的遥感影像研究发文量增长迅速,研究队伍的不断壮大加快了基于深度学习的遥感影像识别研究.文献具有多来源、多研究层次、多内容的特点,但是存在发展不平衡的问题.目前,减少训练模型时间、确定模型结构以及参数、提高识别精度等仍是基于深度学习的遥感影像识别研究需要攻克的难题,对影像的预处理、模型的改进与其他进化算法耦合是解决问题的关键,后续研究需要学者的不断创新与突破.     

关于海洋垂直基准的讨论

提出以平均海面作为基本海洋垂直基准的思想，讨论了现有基准定义的意义，及水深在椭球面基准，大地水准面基准，国家高程基准，平均海面基准与海图深度基准下表示的关系，给出一种海洋测量深度的归算方案。     

利用拟构模型面调控水深模型点选取的航海DDM构建

针对传统方法难以确保所建模型的深度保证率满足航海安全要求的问题,提出了一种利用拟构模型面调控水深模型点选取的航海数字水深模型（digital depth model,DDM）构建方法。定义了已选、待选、拟选水深点以及拟构模型面的概念,并利用待选水深点来定量评估模型面的深度保证率与表达度,实现了水深自动选取过程中的DDM质量动态监控。在此基础上,通过构造水深选取中的质量评估综合算子,利用该算子来定量调控水深点的选取,确保所构DDM的深度保证率能达到规定指标要求。实验结果表明:（1）与传统方法相比,所提方法能确保所建模型的保证率满足航海安全要求;（2）对于深度保证率均能满足航海安全要求的水深点,所提方法较传统方法能从一定程度上提高模型在此处的表达度。     

联合LiCSBAS和机器学习的昆明市地面监测和预测

针对InSAR在数据处理过程中存在对流层延迟误差、解缠误差及处理大范围区域数据需要消耗大量时间和磁盘空间的问题，本文首先利用LiCSBAS和GACOS产品对2016年9月16日至2021年5月5日昆明市134景Sentinel-1升降轨影像进行数据处理，获取昆明市主城区沉降信息，在此基础上得到5个典型地表沉降区并分析其时空分布特征；然后利用深度森林和长短期记忆网络模型进行时序值的预测，引入绝对误差(ε)、均方根误差(RMSE)、纳什系数(NSE)对模型进行评价，深度森林和长短期记忆模型得到的ε均在4 mm以内，RMSE值分别为0.70和3.01,NSE值分别为0.92和0.81。结果表明，深度森林预测模型效果较好，联合LiCSBAS和机器学习模型的城市地表监测和预测的方法可以为今后开展地面沉降监测和灾害预警提供参考。     

基于遥感影像的建筑物监测监管平台的设计与实现

针对人工目视解译方法在建筑物监测监管方面效率低下的问题,本文设计研发了基于遥感影像的建筑物监测监管平台.通过深度学习算法模型,实现对影像上建筑物的自动提取,并生成矢量图层,将不同历史时期的矢量图层通过GIS算法进行对比分析,自动提取差异,实现对建筑物的自动识别与监测,使劳动力得到了解放,提高了建筑物监测监管与执法的效率...     

高光谱影像分类的深度少样例学习方法

针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。     

点质量埋藏深度的最佳设计

点质量埋藏深度的确定是困扰点质量模型实际应用多年的主要障碍之一。本文针对虚拟扰动质点系对外部空间扰动场的恢复，采用欧氏模意义下的最佳平方逼近，成功地确定了点质量的最佳埋藏深度。同时，讨论了利用局部区域点质量计算扰动引力时其埋藏深度的特殊性。