学习分析视角下测绘地理信息专业教学资源库开发

针对专业教学资源库建设及应用现状,分析了项目建设在用户服务面向、信息资源组织及学习过程指导中存在的不足;尝试基于学习分析的数据采集、模型分析、可视化反馈等技术优势开发学习平台;实现了专业教学资源库的个性化施教功能,实现了解决自我差异分析、自我评估及导向分析及自我预测及监控分析等问题;以测绘地理信息专业中《地理信息系统基础》课程资源库开发为例,就学习分析在专业教学资源库中的平台框架设计、平台运行流程设计中的具体应用进行了实证说明。     

基于支持向量机无限集成学习方法的遥感图像分类

基于支持向量机的无限集成学习方法(SVM-based IEL)是机器学习领域新兴起的一种集成学习方法。本文将SVM-based IEL引入遥感图像的分类领域,并同时将SVM、Bagging、AdaBoost和SVM-based IEL等方法应用于遥感图像分类。实验表明:Bagging方法可以提高遥感图像的分类精度,而AdaBoost却降低了遥感图像的分类精度;同时,与SVM、有限集成的学习方法相比,SVM-based IEL方法具有可以显著地提高遥感图像的分类精度、分类效率的优势。     

遥感影像智能解译:从监督学习到自监督学习

遥感影像精准解译是遥感应用落地的核心和关键技术.近年来,以深度学习为代表的监督学习方法凭借其强大的特征学习能力,在遥感影像智能解译领域较传统方法取得了突破性进展.这一方法的成功严重依赖于大规模、高质量的标注数据,而遥感影像解译对象独特的时空异质性特点使得构建一个完备的人工标注数据库成本极高,这一矛盾严重制约了以监督学习为基础的遥感影像解译方法在大区域、复杂场景下的应用.如何破解遥感影像精准解译"最后一千米"已成为业界亟待解决的问题.针对该问题,本文系统地总结和评述了监督学习方法在遥感影像智能解译领域的主要研究进展,并分析其存在的不足和背后原因.在此基础上,重点介绍了自监督学习作为一种新兴的机器学习范式在遥感影像智能解译中的应用潜力和主要研究问题,阐明了遥感影像解译思路从监督学习转化到自监督学习的意义和价值,以期为数据源极大丰富条件下开展遥感影像智能解译研究提供新的视角.     

高分辨率遥感影像解译中的机器学习范式

高分辨率遥感影像解译是遥感信息处理领域的研究热点之一,在遥感大数据知识挖掘与智能化分析中起着至关重要的作用,具有重要的民用和军事应用价值.传统的高分辨率遥感影像解译通常采用人工目视解译方式,费时费力且精度低.所以,如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题.近年来,随着人工智能技术的飞速发展,采用机器学习...     

高光谱地物要素识别潜力分析与前景展望EI北大核心CSCD

近年来,人工智能方法在高光谱遥感领域得到了广泛应用,特别是基于深度学习的影像分析和信息提取技术已成为持久的热点,有力地推动了地物光谱探测的精细化和智能化水平。本文在分析地物要素光谱探测潜力与需求的基础上,系统地介绍和总结了高光谱影像分析方面的进展,针对高光谱地物探测的智能化问题,重点讨论了近年来深度学习的新思路。首先,结合地形要素分类体系和高光谱探测能力,将高光谱地物要素划分为植被、土质、水域和人工建筑物4大类及若干子类,并分析4种地物要素的光谱响应特性和高光谱地物探测的优势。然后,在影像分析方面,重点梳理了波段选择、特征提取、模式分类和分类后处理等影像分析技术的研究进展,给出研究方向和热点;在智能化处理部分,按照监督学习、半监督学习及自监督学习的思路,系统总结了当前应用于高光谱地物探测的深层神经网络模型,同时分析了迁移学习、元学习等机器学习策略的研究情况。最后,结合上述分析,对高光谱影像地物探测的发展趋势加以展望,以期拓展下一步的研究思路。     

空间认知导向下利用分层强化学习的最优路径规划

针对空间认知导向下模型驱动型路径规划和人们认知偏好多样性之间的矛盾,提出了一种基于分层强化学习的交互学习型路径规划方法。该方法将最优路径标准转换为路口处转向决策的瞬时奖励值,并通过预学习和实时学习两个阶段实现高效地发现总奖励值最大的最优路径策略。其中,预学习阶段自动发现子目标节点,并构建包含局部最优策略的子任务;实时学习阶段利用预定义策略实现高效的Q值更新,并根据Q值追溯最优路径。实验表明,该方法具有足够好的实时性和最优性。     

面向自主性学习的摄影测量学教学改革与实践

摄影测量学是测绘工程专业一门重要的专业基础课,覆盖面广、交叉性强。论文以重庆大学摄影测量学教学为例,聚焦以学生为中心的自主性学习,通过精心设计预习作业,组织学习共同体,采用灵活多样的教法,加强学习方法指导,增强学生的积极情感等措施来提升学生自主学习的能力和素质,为其他课程的教学改革提供了参考。     

高分辨率遥感影像分类的多示例集成学习

精选示例特征嵌入多示例学习(MILES)算法在对噪声较强的训练样本进行学习时表现出良好的性能,但其判断规则可能带来遥感影像分类结果的不确定性。针对这一问题,提出用Bagging和AdaBoost集成MILES的多示例集成学习算法,使用粗包细分、多样性密度和最大似然分类相结合抑制分类不确定性的方法,实现了高分辨率遥感影像分类中多示例学习与集成学习的组合。采用Quick Bird、IKONOS等高分辨率遥感影像进行试验,结果表明多示例集成学习能有效控制遥感影像分类结果的不确定性,具有良好的应用前景。     

一种面向高分辨率卫星影像语义分割的双分支迁移神经网络

针对基于深度学习的遥感影像语义分割对样本数量的要求较高的问题,提出了一种面向高分辨率卫星影像语义分割的双分支迁移神经网络,将残差网络迁移到可将光分支,在训练时仅更新深层的网络参数而保持浅层参数不变,而另一个分支处理其他波段影像。通过实验证明了在训练样本不足时,该方法语义分割精度较经典的残差网络有明显提升,同时有更快的收敛速度,可以适应样本数量较小的遥感影像语义分割应用。     

基于代价敏感学习的遥感影像云检测方法

针对云检测任务中云和背景样本不均衡易造成模型泛化能力差的问题,应用代价敏感学习方法,在卷积网络的损失函数中引入代价系数,同时使用F1分数代替总体精度指标进行模型选择,可有效克服样本不均衡问题.以高分一号影像为实验数据,提取了不同下垫面的云,验证了本方法的有效性.     

谱间对比学习的高光谱图像无监督特征提取EI北大核心CSCD

深度学习通过逐层抽象的方式提取输入数据的深层特征,近年来在高光谱图像分类领域得到了广泛的应用。现有的高光谱图像深度特征提取方法大多属于有监督学习模型,其训练过程需要大量标记样本,而高光谱图像逐像素的标注困难且费时。为此,本文提出了一种基于谱间对比学习的无监督深度学习模型。无须对样本进行标注,仅通过建模不同光谱波段之间的关系便可实现特征提取。具体而言,由于高光谱图像不同的光谱通道刻画了同一物体在不同电磁波段的响应程度,因此必然存在一个特征空间,使得不同通道的光谱信息具有相似的表征。受此启发,本文首先将高维光谱信息分成两组,然后利用多层卷积操作分别提取每组波段的特征,最后对比不同样本所提取的特征,通过对比损失函数来优化模型。为了测试本文方法的性能,将其应用于高光谱图像分类任务中,在Houston 2013、Pavia University和WHU-Hi-Longkou 3个常用的数据集上进行了验证。试验结果表明,在每类仅使用10个训练样本的前提下,本文所提出的无监督学习模型能够获得比主成分分析、自编码器等常见的无监督模型更优越的分类性能。     

深度学习赋能地图制图的若干思考

地图制图学包含地图制作与地图应用两大任务,分别与人工智能技术有不解之缘.经历了符号主义智能表达的地图制图专家系统、行为主义智能表达的空间优化决策后,地图制图面临与连接主义下的深度学习的结合,以提升地图制图的智能化水平.本文针对"深度学习+地图制图"命题讨论了3个问题.一是从深度学习方法与地图空间问题解答策略思想的一致性,基于梯度下降、局部相关、特征降维和非线性化性质,回答了两者结合的可行性;二是从地图学独特的学科特点和技术环境分析了两者结合面临的挑战,涉及地图数据组织的非规范性、样本建立的专业需求、几何与地理特征的融合,以及地图固有的空间尺度性;三是分别讨论了地图制作与地图应用融入深度学习的切入点和具体方法.     

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。     

基于空间数据发掘的遥感图像分类方法研究

采用数据发掘技术从 ＧＩＳ数据库和遥感图像中发现知识,用于改善遥感图像分类。提出了两种实施空间数据归纳学习的途径：在空间对象粒度上学习和直接在像元粒度上学习。分析了两种粒度学习的特点和适用范围,同时提出了一种归纳学习与传统图像分类法的结合方式。用北京地区 ＳＰＯＴ多光谱图像和 ＧＩＳ数据库进行土地利用分类的试验证明,归纳学习能较好地解决同谱异物、同物异谱等问题,显著提高分类精度,并且能够根据发现的知识进一步细分类,扩展了遥感图像分类的能力。     

超体素约束下的主动再学习LiDAR点云分类框架

针对点云分类的监督方法需要大量的训练样本、人工标注成本高的问题,本文提出了一种超体素约束下的主动再学习点云分类方法。首先,对点云进行特征提取;然后,通过超体素约束下的主动学习方法选择训练样本并进行人工标注;最后,利用再学习方法进行后处理,通过迭代计算类别统计特征不断优化分类结果。试验结果表明,相比于使用全部训练样本,超体素约束的主动学习方法可以在不足全部样本6%的情况下,达相同的分类精度,从而大幅度减少了人工标注成本,且经过再学习算法后进一步提高了分类精度。     

关于开展深入学习实践科学发展观活动试点工作情况的通报

受绍史同志委托,现将我部开展深入学习实践科学发展观活动试点工作的有关情况做如下通报。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

增强执行力 推动各项工作有力展开——学习中央领导同志重要讲话精神的体会

中央领导同志最近一系列重要讲话,对我们进一步准确理解和把握中央战略意图、提振信心、营造氛围、构建新格局、开创新局面,具有重要意义。     

SAKAI平台下程序设计与开发课程混合式学习的研究与应用——以测绘工程"C语言程序设计"为例

C语言、C++等程序设计与开发课程是工科专业的必修课,此类课程知识琐碎、实践性强,单一的课堂加实验课的教学模式难以满足知识传授和技能学习的要求。随着网络技术的发展和SAKAI等课程管理软件的出现,在线学习成为学生自主学习的重要形式。本文结合测绘工程专业"C语言程序设计"课程的教学经验,分析了当前开发类课程教学模式的缺点,探讨了基于SAKAI的网络教学平台开展混合式学习的内涵及实现路径。实践表明,SAKAI平台辅助下的混合式学习将课堂教学和在线学习的优势相结合,丰富了师生互动的途径,增强了学生自主学习的积极性,改进了课程考核方式,教学效果良好。