一种基于学习型特征的多模态影像匹配方法

多模态影像在辐射特征和几何特征方面存在的显著差异,会造成高精度匹配困难。因此,本文提出了一种融合多尺度深度学习特征的多模态影像匹配方法,主要利用深度残差神经网络结构自主训练学习影像的学习型特征,得到多模态图像之间更为丰富和更为准确的同名特征点对,实现了对多尺度、多时相影像的协同稳健匹配。结果表明,本文方法对于多组实验均能够得到数量丰富且分布相对均匀的同名特征点对,并具有高效、稳健的匹配性能。     

基于年际增量法的卷积神经网络模型对中国夏季降水的预测研究

将前冬的500 hPa位势高度、向外长波辐射和海表温度的年际增量作为预测因子,建立基于卷积神经网络(Convolutional Neural Network, CNN)的非线性预测模型,对中国160个测站夏季降水展开预测研究,并与基于线性奇异值分解(Singular Value Decomposition, SVD)的预测模型进行效果对比。结果表明：CNN在1981—2020年的交叉检验中所回报的降水平均PS评分和距平相关系数(ACC)分别为74.33和0.12,比SVD高2.15和0.06,说明CNN比SVD在整体上对夏季降水具有更好的预测能力。其中,CNN对SVD预测较好年份的预测效果提升较为明显,对SVD预测较差的年份则改进不大。CNN对中国降水预测存在一定的系统性偏差,订正后CNN对拉尼娜年的降水预测改进较大。结果表明,基于年际增量法的CNN预测模型展示出较好的潜在应用价值。     

考虑卷积完全匹配层数值色散的井间电磁三维正演

本文将以卷积完全匹配层为吸收边界条件的时域有限差分法应用到井间电磁的三维正演模拟中.证明了卷积完全匹配层中的数值色散会因为有效延伸因子而产生,列举常规有效延伸因子和网格间距对电磁波相速度各向异性的影响,并通过波场快照验证卷积完全匹配层中数值色散的存在;进而推广三维卷积完全匹配层中最大有效延伸因子、最大网格间距与激励源主频之间的约束,以此完善卷积完全匹配层的最优参数设置方案.在此基础上,通过正演结果中二次场的垂直磁场分量和走时来展示灵敏度分布,以此划定井间电磁勘探的优势区域,提出井间电磁正反演所需要的约束测井系列和最佳取井方案.     

基于二维三次卷积插值算法的辛几何射线追踪

射线追踪是地震波走时层析成像的基础,射线空间位置的准确性及射线走时的精度决定了层析成像的可靠性.本文根据哈密尔顿系统可以有效提高程函方程解稳定性的特性,采用辛几何算法（SAM-Symplectic Algorithm Method）及二维三次卷积插值技术进行地震波射线追踪.由于采用了SAM算法,保证了地震波波前精度,提高了射线空间位置的准确性.数值模拟结果表明SAM既能保证哈密尔顿系统的稳定性又具有运算速度快的特点,提高了射线追踪的计算精度.     

面向户外增强现实的地理实体目标检测

本文研究了多种计算机视觉领域中用于图像分类和目标检测的卷积神经网络模型,在一种目标检测模型的基础上进行了修改,并结合了残差神经网络结构,旨在解决户外增强现实中地理实体目标检测的问题。我们根据这一模型开发了一款户外增强现实原型系统,通过将训练好的模型作为目标检测引擎,达到了较好的近实时性和准确性。     

基于SIFT特征配准的多帧迭代盲解卷积算法

在未配准的情况下,多帧图像解卷积算法不能发挥其利用多帧图像信息互补的优势,针对这种情况,本文将基于SIFT特征配准的算法引入多帧图像解卷积算法中,这一做法克服了各帧影像之间相同位置不同细节像素之间的影响,有效地提高了复原图像的质量。实际观测数据的复原结果证明了本文思想的正确性,配准后图像的复原结果更加清晰,且体现出观测目标更多的细节信息。     

一种改进的基于非高斯性最大化的预测反褶积算法

The predictive deconvolution algorithm （PD）, which is based on second-order statistics, assumes that the primaries and the multiples are implicitly orthogonal. However, the seismic data usually do not satisfy this assumption in practice. Since the seismic data （primaries and multiples） have a non-Gaussian distribution, in this paper we present an improved predictive deconvolution algorithm （IPD） by maximizing the non-Gaussianity of the recovered primaries. Applications of the IPD method on synthetic and real seismic datasets show that the proposed method obtains promising results.     

结合注意力机制的卫星遥感影像立体匹配

采用立体匹配技术对多视卫星遥感影像进行三维场景重建一直是摄影测量与遥感领域的核心问题。基于卷积神经网络的深度学习方法极大地促进了立体匹配技术的发展,然而其中涉及匹配困难和误匹配问题的相关研究仍然不足。为了提升卫星遥感影像不适定区域中视差估计的精度,本研究提出了一种结合注意力机制的立体匹配深度学习网络,在特征提取模块中加入注意力机制,分别从通道和空间两个维度捕获全局信息,对特征进行优化;在代价体的构建模块中构建新的代价体积,并重新设置视差的回归范围。为了验证本文方法的有效性,在US3D、WHU-Stereo两个数据集上分别与已有方法 Stereo-Net、PSM-Net进行了比较分析。结果表明,本文方法在EPE(endpointerror)和D₁两个指标上均能达到最优,取得了较好的性能,提高了立体匹配的精度,尤其在无纹理、重复纹理、遮挡及视差不连续区域表现出良好的鲁棒性。     

卷积神经网络在近岸表层海温预报中的应用

针对数值预报和人工经验预报在近岸定点表层海温(sea surface temperature, SST)预报中预报准确度不高,将近岸台站定点SST预报转换为多元时间序列预测任务,应用卷积神经网络(convolutional neural networks, CNN)构建近岸台站定点SST时间序列变化模型,对近岸台站每日最高海温、最低海温、平均海温进行预报,并与人工经验方法和长短期记忆网络(long short-termmemory,LSTM)方法进行对比试验。结果显示,在测试数据中相比人工经验预报,CNN方法全年日最高海温预报平均绝对误差(mean absolute error, MAE)为0.36℃,平均下降0.14℃,均方根误差(root mean squared error, RMSE)为0.49℃,平均下降0.21℃,日最低海温预报MAE为0.36℃,平均下降0.17℃, RMSE为0.63℃,平均下降0.24℃,日平均海温预报MAE为0.30℃, RMSE为0.47℃,预报性能和LSTM模型预报性能相当。研究表明CNN应用于近岸SST预报具有可行性,能够有效地提高SST预报准...     

融合空间和时序遥感信息的深度学习水稻提取

为了得到更加精细的水稻提取结果,提出一种结合高分辨率和多时序遥感影像的深度学习水稻提取方法.构建全卷积网络(FCN)对BJ-2高分辨率遥感影像进行分类,并利用长短期记忆网络(LSTM)和随机森林(RF)分类器对Sentinel-2多时序遥感影像进行分类,再通过面向对象的分割和投票对3种方法的分类结果进行融合,得到最终提...