Underwater Target Detection Based on Reinforcement Learning and Ant Colony Optimization

Underwater optical imaging produces images with high resolution and abundant information and hence has outstanding advantages in short-distance underwater target detection.However,low-light and high-noise scenarios pose great challenges in un-derwater image and video analyses.To improve the accuracy and anti-noise performance of underwater target image edge detection,an underwater target edge detection method based on ant colony optimization and reinforcement learning is proposed in this paper.First,the reinforcement learning concept is integrated into artificial ants’movements,and a variable radius sensing strategy is pro-posed to calculate the transition probability of each pixel.These methods aim to avoid undetection and misdetection of some pixels in image edges.Second,a double-population ant colony strategy is proposed,where the search process takes into account global search and local search abilities.Experimental results show that the algorithm can effectively extract the contour information of underwater targets and keep the image texture well and also has ideal anti-interference performance.     

基于JXTA的协同学习系统研究

随着计算机网络技术的迅速发展和计算机协同工作CSCW理论和技术研究的深入,计算机协同学习(Computer Supported Collaborative Learning)的思想逐渐被引入计算机网络教育的应用中.目前大多数的协同学习系统采用了C/S结构.提出的基于JXTA的协同学习系统采用了P2P(Peer-to-Peer)结构,满足了协同学习的一般需求,具有安全性、可伸缩性和可扩展性.     

面向卫星遥感影像检索定位的深度学习全局表征模型评估与分析

如何快速获取无辅助参数卫星遥感影像地理位置是非合作方式获取的遥感影像信息充分利用的一个关键,利用影像特征的相似性对卫星遥感影像检索来实现定位,是获取无辅助参数卫星遥感影像地理位置的有效手段。为了探寻影像深度学习全局特征用于无辅助参数卫星遥感影像检索定位的可行性,建立了包括Precision@K、平均排序、特征提取时间、特征相似性计算时间、硬件消耗等,涵盖有效性、效率2个方面共计5类指标的评估体系。采用谷歌地球提供的影像数据作为基准影像,在资源三号夏季及冬季数据集上,分别利用AlexNet、VggNet、ResNet、DenseNet、EfficientNet等几种代表性的卷积神经网络预训练模型提取基准影像及查询影像的全局特征,依据评估体系中的指标,对这些网络模型的影像表征效果进行全面的量化评估与分析。试验分析结果表明,DenseNet、ResNet-18、VggNet这3个深度学习神经网络预训练模型提取的全局特征,综合表征效果较好,可有效用于卫星遥感影像检索定位;当K值取200时,DenseNet网络模型的Precision@K值可以达到59.5%,ResNet-18和VggNet网络模型紧随其后,分别为49.7%和48.0%,为进一步利用深度学习全局特征进行卫星遥感影像检索定位,找出了最佳的候选网络模型,为下一步模型优化等研究奠定了基础。     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。     

跨文化交际中非言语行为的文化差异

非言语行为包括言语行为之外的一切由人类和环境所产生的刺激,这些刺激对于信息发出和接受者具有潜在信息价值或意义。通过对非言语行为的分类和特点分析,探讨了身势语、手势语、目光语、物体语、时空观等几种重要的非言语行为所体现出来的文化差异,说明非言语行为的文化差异往往是十分微妙和难以辨认的,这意味着在跨文化交际中,交际者对非言语行为的差异必须有非常敏锐的认识。     

基于岩石图像深度学习的多尺度岩性识别

岩性识别作为人工智能和大数据在地质工程细分领域的实践应用方向, 可以为相关人员野外地质工作提供有效助力。为了更好地促进岩性识别在专业领域的应用, 通过对巢湖北部山区的岩石图像采集、数据预处理、迁移学习、网络搭建、网络训练及模型测试等步骤, 实现了基于岩石图像的大数据深度学习识别; 并在归纳总结前人工作的基础上, 提出了多尺度岩性识别方法。根据岩石细观图像建立多尺度模型并赋予一定权重, 与岩石识别模型共同识别得到综合结果, 对岩石岩性整体识别的同时兼顾局部纹理、粒径等细观信息。研究结果表明, 本模型对岩石识别的适用性强, 多尺度方法对于提高识别结果的正确率具有一定的帮助, 模型的测试正确率达到95%以上, 能很好地识别岩石岩性。      

基于多任务学习的高分辨率遥感影像建筑提取

建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。     

基于深度卷积网络和分水岭分割的耕地地块识别方法

耕地地块作为精准农业的重要支撑,现有地块边界大多依靠人工勾绘。随着遥感技术的发展,基于遥感影像自动提取耕地地块成为研究主要方向,其中基于深度学习的方法能够克服传统检测方法难以适应复杂场景的局限而被广泛使用,但现有检测方法仍存在问题,基于深度卷积模型直接识别耕地区域会丢失内部边界、而基于边缘检测模型识别耕地边界时则会同时得到大量无关边界;此外,现有的基于阈值提取地块的策略所提取的地块不够规整,存在内陷的问题。针对上述问题,本研究提出一种基于深度卷积网络和分水岭分割的耕地地块提取方法,从信息检测和地块提取两方面进行改进：① 将耕地边界视作一种地物类别,在深度卷积网络中进行类别概率检测,帮助实现对耕地边界的语义识别。② 基于改进后的D-LinknetXt网络进行检测,其网络架构适合于对耕地边界这类线性目标的提取,同时更换原始D-Linknet网络的残差单元,帮助提高了网络的特征提取能力。③ 基于分水岭分割对耕地地块进行提取,利用了区域分割方法获取边界的封闭性,并且这种以区域为单元进行分割并合并的方式,解决了原有方法在像元尺度上基于阈值提取所遇到的提取地块存在内陷的问题,使地块更规整准确。在一景高分二号影像上进行检验,并设计两类精度指标,从全局边界精度和地块几何精度两方面进行方法性能评估。实验结果表明,本方法的精度优于3种对比方法,在代表边界精度的F1分数上达到了0.933,地块几何精度为0.829。本研究所提出的方法能够更加准确的对耕地地块进行提取,并适用于实际应用中。     

当代大学生学习动机现状与原因分析

针对当今大学生学习动机复杂多样或急功近利、肤浅、浮躁日益严重的现状，对大学生学习动机的主要表现进行了问卷调查，总结出了大学生学习动机的主要特点是缺乏远景性学习动机。远景性学习动机缺乏的原因主要是：缺乏挫折体验，知难而退；就业压力过大，削减了学生的学习热情；社会缺乏有效的信念引导；价值观物质化、功利化、眼前化等等。远近景学习动机刘大学生学习有着交织互补的作用，而远景性学习动机是大学生学习长久坚持下去的主要动力，也才能使学习本身具有社会意义。     

基于LBS和深度学习的旅游景区客流量的高时频预测

为实现精准的旅游景区客流量的高时频预测,本研究构建了一套基于LBS和深度学习模型的预测方法。此方法可通过对LBS数据的转换实现预测的空间范围与时频控制,并通过方法的核心模型——基于双向循环神经网络和GRU算法构建的深度双向GRU(DBi-GRU)模型完成预测。为检验方法的有效性,研究以深圳大梅沙海滨公园为例对方法进行实验测试。实验使用拟合曲线、误差指标及DM检验3种方法评估DBi-GRU模型的预测效果。此外,实验还设置了其他五种深度学习模型作为DBi-GRU的对照模型,测试基于不同深度学习算法的模型之间的预测水平差异。实验结果表明:(1)本研究提出的DBi-GRU模型在景区客流量高时频预测中具有理想的预测效果,在高峰时段的客流量预测方面也具有较高准确性,预测效果明显优于其他深度学习模型;(2)基于双向循环网络的模型的效果普遍优于基于常规循环网络的模型。尤其是基于双向LSTM算法的模型,虽然预测的准确度略逊色于DBi-GRU模型,但在模型性能上与其的差异并不显著;(3)在相同网络参数下,GRU算法较前人采用的LSTM和RNN算法有着更高的预测准确性。本研究为客流量预测领域的研究提供了一种...     

基于双注意力残差网络的高分遥感影像道路提取模型

高分辨率遥感影像中,道路光谱信息丰富,且空间几何结构更清晰。但是,基于高分遥感影像的道路提取面临道路尺寸变化大、容易受树木、建筑物及阴影遮挡等因素影响,导致提取结果不完整。此外,高分遥感影像中同物异谱和异物同谱现象较为严重,从而影响道路提取结果连续性及细小道路信息完整性,而且难以区分道路和非道路不透水层。因此,本文提出基于双注意力残差网络的道路提取模型DARNet,利用深度编码网络,获取细粒度高阶语义信息,增强网络对细小道路的提取能力,通过嵌入串联式通道-空间双重注意力模块,获取道路特征图逐通道的全局语义信息,实现道路特征的高效表达及多尺度道路信息的深层融合,增强阴影和遮挡环境下网络模型的鲁棒性,改善道路提取细节缺失现象,实现复杂环境下高效、准确的道路自动化提取。本文在3个实验数据集对DARNet和DLinkNet、DeepLabV3+等5个对比模型进行对比试验和定量评估,结果表明,本文DARNet模型的F1分别为77.92%、67.88%和80.37%,高于对比模型。此外,定性比较表明,本文提出模型可以有效克服由于物体阴影、遮挡和高分影像光谱变化导致道路提取不准确与不完整问题,改善细...     

贝叶斯网络结构学习方法研究

介绍贝叶斯网络结构学习的两种方法：渐进正确结构学习和启发搜索方法,并重点对最小描述长度测度函数MDL和DGM测度函数进行了分析比较,提出了一个两阶段从数据集中学习贝叶斯网络（BN）结构的有效算法.首先,第一阶段采用以信息论为基础的渐进正确的结构学习方法来有效的搜索可能的网络空间,构造一个候选网络;然后,采用启发搜索的方法来精简这个候选网络.使用这种分两阶段学习的方法比单纯使用一种方法来获取BN结构更精确和有效率.     

全球位置信息叠加协议与位置服务网技术研究进展与展望

随着信息技术的快速发展,当今世界步入信息爆发性增长的时代,互联网、物联网和传感网中的海量人类社会相关信息为解决城市治理和社会管理问题提供了新视角,如何将信息进行快速有效地整合和共享,是进一步提高城市智慧化管理能力面临的巨大挑战。近年来,在社会信息的位置泛在属性基础上提出的全球位置信息叠加协议与位置服务网技术,将位置作为信息横向关联的结点,为打通各领域系统间的壁垒,实现跨网、跨平台、跨系统、跨位置语言的海量异构信息自动汇集、融合计算与智能服务,提升社会化信息共享水平和效率,推动智慧地球和智能社会建设提供了支持。本文着重介绍了目前国内外关于全球位置信息叠加协议与位置服务网技术在立体剖分与位置编码、位置编码映射、地理实体编码、泛在位置信息叠加协议、高精度位置时空框架与位置感知的信息融合技术等各项关键技术的前沿进展。并进一步总结了全球位置服务网在行业中的示范应用,最后对全球位置服务网在技术和应用上的未来研究方向进行了讨论,以期望为未来全球位置服务网的发展提供参考。     

基于深度全连接神经网络的大坝变形预测研究

将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型.利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型...     

基于特征分离机制的深度学习植被自动提取方法

随着遥感影像分辨率的提高,植被信息的高精度提取对于了解地表植被变化规律、评价生态区域具有重要意义。针对传统方法跨季节植被提取不完整问题,本文基于高分2号(GF-2)卫星数据,提出一种基于特征分离机制的深度学习语义分割网络植被提取方法。该网络在Densenet的基础增加可分离卷积和空间金字塔结合的特征分离机制来增大感受野,更有效利用植被的特征信息,提升了模型的精度。本文通过构建高精细跨季节植被样本库,使用本文所提方法,完成了遥感影像植被信息提取,并选取总体准确度、F1值和交并比作为评价指标,对不同的传统方法和深度学习方法进行精度对比与分析。实验结果表明,本文方法提取植被的效果较好,其中F1分数达到91.91%,总体准确度达到92.79%,交并比达到85.10%。对高分1号、高分6号和高景1号遥感影像进行植被提取通用性验证,结果表明本文方法具有一定的通用能力,可以从高分辨率遥感影像中准确地、自动地提取植被。本文研究成果可为城市生态环境评价和植被的应用研究提供数据参考。     

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。     

融合边缘特征与语义信息的人工坑塘精准提取方法

针对高空间分辨率遥感影像目标提取中定位精度低、边缘粗糙等问题,提出一种融合目标边缘特征与语义信息的人工坑塘提取网络模型。方法首先利用改进的U-Net语义分割网络模块来提取遥感影像中丰富的目标语义信息,然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征,最后借助于编码-解码子网络融合边缘特征与语义信息,实现遥感影像目标的精准提取。将该方法运用到雷州半岛复杂背景条件下人工坑塘提取实验中,实验结果中本文提出的方法在F分数以及边界F分数等评价指标上表现最优,达到97.61%与83.01%,验证了融合高层语义信息结合低层的边缘特征在提升遥感目标提取精确度上的有效性。     

改进的BP神经网络在数字识别上的应用

首先介绍了传统的人工神经网络方法对数字字符的识别,进而在变换函数、误差函数以及惯量项等方面对学习算法进行了改进,提出局部自适应算法——RPROP算法,使网络具有一定的容错能力,用VC完成对数字字符识别的模拟。最后实验表明,改进的算法可以有效地完成对训练样本的识别,并且弥补传统方法学习速度低、平均误差大的缺点。     

Risk Assessment of Marine Environments Along the South China Sea and North Indian Ocean on the Basis of a Weighted Bayesian Network

Marine environments have a considerable influence on the construction of the Chinese 21 st Century Maritime Silk Road. Thus, an objective and quantitative risk assessment of marine environments has become a key problem that must be solved urgently. To deal with the uncertainty in marine environmental risks caused by complex factors and fuzzy mechanisms, a new assessment technique based on a weighted Bayesian network(BN) is proposed. Through risk factor analysis, node selection, structure construction, and parameter learning, we apply the proposed weighted BN-based assessment model for the risk assessment and zonation of marine environments along the Maritime Silk Road. Results show that the model effectively fuses multisource and uncertain environmental information and provides reasonable risk assessment results, thereby offering technical support for risk prevention and disaster mitigation along the Maritime Silk Road.     

基于PRCUnet的高分遥感影像建筑物提取

基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为：① 基于Unet网络结构,利用金字塔池化模块 (Pyramid Pooling Module, PPM )的多尺度场景解析特点,残差模块(Residual Block, RB)的特征提取能力以及卷积块注意力模块(Convolutional Block Attention Module, CBAM)对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;② 基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。