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。     

利用灰集进行空间区域拓扑关系不确定性定量分析

针对不确定性空间区域对象间拓扑关系不确定性的定量分析问题,提出了一种具有双隶属度函数的灰集表示模型,利用双隶属度函数的截集将不确定性空间区域对象转化为确定性区域对,借用相关的不确定性空间拓扑关系定性分析模型,将不确定性空间对象间拓扑关系的不确定性量化为一个可信度区间。     

基于灰集的不确定性时空数据模型

不确定性处理是时空数据库面临的新问题。其研究的首要任务是对不确定时空对象进行建模,研究时空不确定性的表示和存储,进而设计离散模型实现数据库系统。提出了建立在灰集理论上的时空数据抽象模型,适合处理部分已知部分未知的不确定对象。首先给出了抽象数据类型的定义,包括建立在灰集理论上的基本数据类型,空间数据类型和时空数据类型;随后对不确定时空分析操作进行了简单的定性分析;最后给出不确定性时空查询的表达方式。