利用手机定位数据的用户特征挖掘

手机定位数据已经逐渐成为一类新兴的空间数据,可用于分析个体或大规模区域内群体的活动特征,服务于基于位置的服务和城市及交通规划等。提出了一种基于手机定位数据,结合区域内兴趣点(POI)、房产价格等,利用空间聚类及语义分析等手段,对用户特征进行分析和挖掘的方法。首先采用DBSCAN方法提取用户重点活动区域;其次,根据用户的活动规律假设对活动区域进行类别标注;最后引入自然语言处理方法对POI和楼盘描述信息进行词频分析。并结合区域内POI类别和房价信息推断用户可能的偏好特征及收入或消费能力等特征,对用户一个月的手机定位数据进行挖掘分析。结果表明,该方法对用户重点活动区域及个体喜好特征等能够进行较为有效的挖掘。     

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

一种针对精化样本的非监督SAR变化检测方法

针对非监督框架下的深度学习SAR变化检测方法在样本选取时出现样本非平衡及冗余问题,改进了一种针对精化样本的非监督SAR影像变化检测方法:利用分层FCM针对不同差异图进行分割确定初始类别;提出利用邻域清理规则进行潜在错误样本剔除并利用异质类空间距离完成对样本的筛选;构造卷积神经网络完成对待确定类别像素的分类,得到最终变化结果.采用三组实验数据进行实验,结果表明该文方法可行有效,且能在较好应对样本问题的同时具有较高的变化检测精度.     

深网POI信息获取与一致性处理方法研究

<正>兴趣点(point of interest,POI)是地理信息服务的重要形式。互联网上的POI信息大多位于深网网络(deep web)中,其数据量极其庞大。随着互联网技术与应用的快速普及和地理信息服务的深入发展,POI信息资源规模不断增长、更新更为频繁,充分挖掘深网网络中蕴含的POI数据,对于丰富地理信息资源、提升空间信息服务与内容管理能力具有重要意义。当前,通用搜索引擎和普通深网爬行方法难以有效获取深网POI数据,来源于不同网站的POI信息也存在     

结合数据融合与特征选择的遥感影像尺度多样目标检测

基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。     

注意力引导特征融合与联合学习的遥感影像场景分类

为充分利用遥感影像的多尺度特征，解决遥感影像尺度差异、类间相似和类内差异等现象给高精度场景分类造成的困难，本文提出了一种注意力引导特征融合和联合学习的遥感影像场景分类方法。首先，利用深层卷积神经网络提取影像不同层次的特征图；然后，利用设计的残差注意力机制增强不同层次特征图的语义信息、抑制冗余噪声信息；最后，使用全局均值池化获取不同层次特征图的全局信息以构建特征向量，并将不同层次的特征向量融合，3个不同层次的特征向量及融合后的特征向量分别采用独立的全连接层进行分类。利用联合损失训练网络参数，采取多分类器决策级融合的方式提高预测的稳健性。在UC Merced、AID和NWPU-RESISC45数据集上的试验结果表明，本文方法显著改善了对相似场景及类内差异显著场景的辨识能力，与使用多尺度特征的同类型场景分类方法相比，总体分类精度分别提高0.84%、4.04%和4.43%。     

高分影像场景分类的半监督深度卷积神经网络学习方法

传统基于深度卷积神经网络的场景分类方法往往需要大量标记样本用于模型的参数训练,在标记训练集数量有限的情况下,学习得到的特征泛化能力降低.针对这一问题,本文提出了高分影像分类的半监督深度卷积神经网络学习方法(3sCNN),采用自学习半监督策略,训练阶段不断增加训练样本:首先,通过有限的标记数据对深度网络进行初步训练;然后,利用经过初步训练的网络对未标记数据进行预测,得到未标记样本的预测标签及其对应的置信度;最后,将具有高置信度的未标记样本作为真实标记数据加入到训练集中,继续对网络进行训练并重复上述过程.为验证算法的有效性,本文在3个常用数据集上进行试验,试验结果证明本文算法可以有效提高有限样本下高分影像场景分类精度.     

联合显著性和多层卷积神经网络的高分影像场景分类

高分辨率遥感影像中的场景信息,对于影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出了一种联合显著性和多层卷积神经网络的方法,首先利用显著性采样获取包含影像主要信息的有意义的块,将这些块作为样本集输入卷积神经网络中进行训练,获得不同层次的特征表达,最后联合多层特征利用支持向量机进行分类。两组高分影像场景数据UC Merced 21类和Wuhan 7类试验表明,显著性采样能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,相比已有方法,本文方法能够有效提高分类精度。     

自发地理信息兴趣点数据在线综合与多尺度可视化方法

移动及Web环境下,集成各种自发地理信息POI数据与地理框架背景数据的混搭式地图应用,越来越多地出现在主流地理信息平台及LBS服务中。由于缺乏适宜的在线多尺度可视化机制,这种POI数据表达上通常出现拥挤、压盖等冲突现象。针对该问题,本研究将传统的尺度变换方法与在线环境相结合,提出一种面向城市设施POI数据的多尺度可视化策略。即由服务器端通过预处理方式对POI数据进行多层次结构化组织;在此基础上,客户端依据显示比例尺导出对应层次的POI目标,并通过移位操作解决局部存在的符号表达冲突现象。试验表明,该方法符合数字化网络应用的在线实时需求,同时也能获得较高质量的多尺度表达效果。     

全球POI在线抽取方法研究

对从互联网上抽取全球地理兴趣点进行研究,国内对以百度地图为基础的POI抽取方法进行探讨,国外对从Open Street Map数据中抽取POI数据进行了分析,分别针对这两类数据的POI抽取提出较为高效、准确的方法,确保提取的POI质量,实现了全球POI的快速在线抽取。     

微博签到POI数据有效性衡量方法

自发地理信息具有数据量大,信息丰富,成本低廉,现势性强等优势,使得其蕴含巨大的应用价值,但如何有效控制数据质量问题来提升数据的应用价值值得深入研究。本文以微博签到POI数据为研究对象,首先从大众地理空间认知和签到POI数据空间分布两个方面对影响签到POI数据有效性的因素进行分析,然后建立有效性数学衡量的模型提取实验区有效数据。最后通过实验验证了该模型快速、高效提取自发式地理信息方式采集的POI数据可行性。     

基于自组织映射的北京主体功能区识别研究

主体功能区的划分对于我国构建高效、协调、可持续发展的国土开发格局具有重要意义。本文利用自然环境(NDVI、坡度等)和人类社会活动(夜间灯光、POI点等)两类数据,构建了12个因子,采用Self-Organizing Map(SOM)神经网络和层次聚类法,对北京城市功能区进行分类,并结合经典功能区分类和Google Earth目视验证进行了主体功能区的划分。结果表明,由于SOM神经网络能够保持输入数据的拓扑关系及非线性的特征,基于SOM神经网络的层次聚类法具有较强的通用性及抗干扰能力,对于多源数据的城市用地分类有较大的应用潜力。同时表明,北京市主体功能区由中心城区向外呈优化开发、重点开发、限制开发的环形分布特征,各区之间呈"点-轴-面"协调发展的空间结构特征。     

地理空间数据结合手机信令等多源数据刻画城市居民出行特征

本文提出了以地理空间数据为支撑,结合手机信令、POI等多源数据刻画城市居民出行特征的方法。首先将信令数据与地理信息区块绑定,根据时间特征和地理区块的社会属性,识别居民的基本职住娱信息;然后综合民生POI点、出行特征拓展关键词、图谱等多源数据,运用工作日通勤分析模型和节假日出行特征提取模型,识别用户的通勤距离、通勤方式、日均通勤频次、周均工作时长、节假日出行场景、出行频次、驻留时长等内容,并形成涵盖职住娱信息的出行特征类标签集。以成都市为例,采集连续1个月的手机信令数据和同时期的POI等数据,验证了该方法的可行性,该成果作为反映城市实际人口规模数量和空间分布特征的城市人口地图大数据产品的重要内容,为政府部门、商企用户开展相关分析业务提供数据支撑。     

一种基于卷积神经网络的SAR变化检测方法

为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。     

多图卷积网络的遥感图像小样本分类

小样本学习旨在利用非常少的监督信息识别出新的类别,由于忽视了样本之间的关联信息,现有的小样本分类方法用于遥感图像小样本分类时往往不能获得令人满意的精度。为此,本文利用图来建模图像在特征空间的相似关系,使用图卷积运算平滑同类别图像的特征,增强不同类别图像特征的区分度,提升分类精度。所提方法在现有图卷积运算的基础上,使用多阶次的邻接矩阵线性加权的方法代替传统的一阶邻接矩阵,通过图谱分析得出这种改进方法能够让不同阶次邻接矩阵的频率响应函数在高频部分正负相抵,有效抑制图信号的高频分量,更显著的提升同类别节点特征的聚集程度;同时,在训练过程引入了微调的方法,使用新类别中的标记数据对最后一层图卷积网络进行少量次数的训练,能够进一步提高精度,增强模型的迁移能力。实验使用AID、OPTIMAL31以及RSI-CB256这3个常用的遥感数据集对方法的有效性进行了测试,结果表明提出的方法在同数据集小样本分类任务和跨数据集小样本分类任务中,在分类精度方面均优于原型网络等比较方法。     

模态间匹配学习的高光谱和激光雷达联合分类

如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量。为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性。具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签。然后,利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成,每个分支负责提取单个模态的特征。最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能。     

基于深度属性学习的光学遥感图像分类研究EI北大核心CSCD

遥感技术革命性地拓展了人类观测地球的手段和能力，遥感数据理解已成为当前认知地球变化、了解人类活动的重要工具。遥感影像分类是遥感图像理解的基石，在地物观测和变化检测等领域正发挥着关键作用。现有机器学习方法多基于图像直接提取图像特征预测类别标签，然而图像特征与类别标签之间存在较大的语义鸿沟，面向少样本、细粒度的遥感影像进行分类仍是当前非常具有挑战性的任务。     

高光谱图像相对含水量反演引导的精细分类

深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。     

联合稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类

零样本影像分类技术旨在通过学习数据集的部分类别（可见类）,获得识别在训练阶段未出现类别（不可见类）的能力。该技术在遥感大数据时代具有重要现实意义。目前,遥感领域的零样本场景分类方法对于映射后的语义空间优化关注很少,导致已有方法的整体分类性能较差。基于这一考虑,本文提出了一种基于稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类方法。在训练的有监督学习模块,基于可见类的类别语义向量和场景影像样本,实现深度特征提取器学习和视觉空间到语义空间的稳健映射。在训练的无监督学习阶段,基于全体类别的类别语义向量和不可见类遥感影像样本,分别通过协同表示学习和k近邻算法来渐进修正不可见类类别的语义向量,从而缓解可见类语义空间与不可见类语义空间的漂移问题和自编码跨域映射模型映射后不可见类语义空间与协同表示后不可见类语义空间的偏移问题。在测试阶段,基于学习所得的深度特征提取器、自编码跨域映射模型和修正后的不见类语义向量,实现对不可见类遥感影像场景的分类。本文整合多个已有公开的遥感影像场景数据集,组建了一个新的遥感影像场景数据集,在此数据集上进行试验。试验结果表明本文提出的算法在多种不同的可见类与不可见类的划分情况下都明显优于已有公开零样本分类方法。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于ImageNet预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。