生成对抗网络框架下的极化SAR图像语义分割

针对DeepLabv3+语义分割网络难以获取极化合成孔径雷达(PolSAR)图像数据分布的问题，该文提出了一种生成对抗网络(GAN)框架下的语义分割方法。其中，GAN的生成器为轻量级复数DeepLabv3+,它能充分提取PolSAR数据的幅度和相位中所蕴含的丰富目标特征，获取精细的语义分割结果；GAN的判别器为实数多分辨卷积神经网络，它和生成器进行对抗学习后，能进一步使得语义分割后的数据分布逼近于真实标签。4个PolSAR数据集的实验结果表明，该文所提方法比DeepLabv3+和轻量级复数DeepLabv3+具有更高的平均交并比、整体精度和平均像素精度。     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开.本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法.首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对...     

基于PointCNN的车载行道树点云分割方法

利用点云卷积网络(PointCNN)为语义分割算法基础处理无序点云来提取行道树点云，经过模型建立、样本训练、点云分割等步骤从地物点云中精确分割出行道树点云，并对三个数据集的应用结果作精度评定，其最终结果的误差在有效范围内，并对PointCNN中的参数进行分析，完善算法的应用以适应于道路环境下行道树点云的提取。本次研究中考虑到训练各类型行道树类型，且受非行道树点云目标干扰小，在复杂道路环境下的数据分割工作有很好的效果。     

面向大视角差的无人机影像序列学习型特征匹配EI北大核心CSCD

针对无人机大视角差影像之间存在仿射变形大、遮挡严重、视角差异显著等问题导致的同名点匹配存在多解和大量误匹配难题,本文提出了一种适用于大视角差影像稳健匹配方法。利用改进的具有双头通信机制的D2-Net卷积神经网络提取倾斜影像的学习型特征,在之后的同名点匹配搜索阶段,为解决唯一匹配点受到较多潜在可行解干扰的问题,设计了一种由粗到精的提纯策略,在稳健匹配同名点对的同时大幅降低匹配开销成本。将HPatches数据集中多组不同场景的影像序列和实地采集的无人机大视角差影像序列作为数据源对提出的方法进行测试,并与具有代表性的基于手工设计的ASIFT方法和基于深度学习的多种方法进行了比较。结果表明,本文方法能够提取稳健的大视角差影像序列仿射不变学习型特征,在正确匹配点数、匹配点正确率、匹配点均方根误差和匹配时间开销方面具有优势。     

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。     

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%。     

基于迁移学习和Xception网络的海雾能见度等级估测研究

采用基于Xception卷积神经网络算法构建了一个海雾能见度识别的框架,通过对海雾能见度探测设备同位置摄像头监控图像的采集,将图像样本结合能见度数据进行标签分类,利用迁移学习结合Xception网络进行训练,提取图像能见度特征,构建能见度等级估测模型,实现能见度等级的估测。通过对浙江省宁波市北仑区三山大闸摄像头监控进行图像的采集,抽取万余有效样本进行训练,进行能见度等级识别结果分析,结果显示模型识别精度可达99.36%,验证集准确率可达99.20%。基于Xception算法的海雾能见度等级估测方法如果在数据集健康准确的情况下,能够满足海雾能见度实时性和识别准确率的要求,可以作为未安装能见度探测设备地区的能见度等级辅助监测方法。