基于迁移学习的非约束环境下热带鱼类识别

针对海底非约束环境下视频背景多模、环境变化复杂导致图像识别困难的问题,提出基于迁移学习的非约束环境下热带海域鱼类识别方法。首先构建ResNet深度卷积神经网络;其次引入迁移学习进行网络训练,对比迁移学习前后的识别效果。结果表明,在引入迁移学习下,accuracy和loss指标均优于非迁移学习的情况,并且在训练到150个epoch时,各项指标开始收敛,能够较好地完成非约束环境下热带海域的鱼类识别任务。     

基于Geoway Feature的基础测绘变化信息检测研究

随着各领域对基础地理信息现势性需求的增强,基础测绘工作需实现变化要素的实时处理,因此变化信息检测的效率与精度成为制约基础测绘更新效率的瓶颈。以提高变化信息提取的自动化程度、促进靶向性更新的快速开展为目标,依托Geoway Feature遥感信息提取软件,采用基于深度学习策略的计算机变化信息检测方法,对甘肃省庆城市区域多时相卫星正射影像展开试验,最后对实验效能予以评价,对其应用前景、研究方向进行了展望。结果表明Geoway Feature软件的检测结果的准确性与检测对象种类、样本库数量质量相关性大。     

深度学习在煤层气测井解释中的应用研究

将常规储层测井解释方法应用于煤层气储层测井解释,其效果存在一定的折扣。为了改善传统方法在煤层气测井解释中出现的问题,将深度学习的思想引入测井解释,提出受限玻尔兹曼机的数量、受限玻尔兹曼机隐含层神经元数量、分类阈值的确定方法,利用深度信念网络进行煤层识别及煤层气含气量的预测。实验结果表明：首先,在交会图法效果不好的情况下,通过深度信念网络进行煤层识别,继而对识别结果进行适当校正,煤层识别成功率可达到90%以上;其次,经过多种方法的对比,利用深度信念网络进行煤层气含气量预测的效果,要好于BP神经网络、多元回归统计以及Langmuir方程三种方法。深度学习改进了传统的BP神经网络,具备更强的复杂函数泛化能力,适用于煤层气测井解释,并具有进一步的推广价值。     

多视角聚类的数值方法研究

针对Zhang等提出的多视角子空间聚类方法,本文给出了一种求解该非凸优化问题的方法并对其提出的算法进行了新的分析和改进。得到的主要结果包括：(1)选择一个好的近似解作为初始点,提高了算法的收敛速度和对全局最优解的收敛概率。(2)用MM思想重新推导出Zhang的方法,由此证明了一个新的收敛性定理;(3)改进了Wen提出的基于流形的正交约束算法并用于求解多视角子空间聚类模型,在算法中加入了初始点,大大提高了运行速度。通过对合成数据和实际数据的实验,验证了算法的有效性。     

分部加权的行道树检测网络构建

基于深度学习目标检测框架,提出了一种端到端的训练网络,用于行道树的自动检测。由于行道树之间的遮挡问题,现有的通用物体检测框架无法直接应用于此任务,为此本文提出了一种树形分部加权模块,以减少严重遮挡造成的错误检测。然后对提出的神经网络进行训练和评估。结果显示,本文所建立的分部加权树木检测网络能够在遮挡条件下,有效地检测出街景图像中的行道树,该方法在各种条件下均具有较高的精度和良好的稳健性。     

基于编解码网络的航空影像像素级建筑物提取

建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN(Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE(Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。     

基于Siamese卷积神经网络的影像瓦片变化检测技术

针对地理信息变化较快而传统更新方式效率不高的问题,目前许多学者提出了各类变化检测的方法,但这些方法大都是基于影像数据进行试验,对影像预处理要求较高,且检测精度的稳定性较差,受数据源质量影响较大。而天地图、百度地图、谷歌地图等地图中均可免费下载各种级别的影像瓦片,因此本文提出利用天地图影像瓦片进行试验,采用Siamese卷积神经网络（SCNN）和深度学习技术,开发基于SCNN的高精度变化监测算法,以快速发现变化区域,实现地理信息变化信息检测。     

深度学习在高分辨率遥感影像冬油菜提取中的应用

近年来,深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征,提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域,获取油菜盛花时期高分一号（GF-1）影像,并以沙洋县为基础影像,通过手工标记制作油菜训练样本。设计两种深度学习框架模型,一种以卷积神经网络（CNN）为框架,构建一维卷积神经网络（1D-CNN）模型,第二种以循环神经网络（RNN）为框架,组合门控循环单元（GRU）模型,训练标准样本模型,完成油菜分类提取。最后,与传统支持向量机（SVM）、随机森林（RF）方法进行了结果对比。试验结果表明,本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法,为进一步实现冬油菜提取自动化提供试验基础。     

改进注意力机制的遥感地貌识别算法

对遥感地貌进行识别,近年来一直是遥感图像应用领域的研究热点。使用深度学习算法识别遥感影像具有比传统方法更高的准确率和稳健性。针对遥感影像中目标复杂度高、特征信息多等问题,本文提出了一种基于改进注意力机制的遥感图像识别算法,即将并联注意力机制（CS）和神经网络模型相结合,借助弱监督学习来辅助训练。同时采用双损失函数来缓解数据过拟合问题。试验结果表明,本文模型总精度为98.35%,Kappa系数达0.95,优于其他深度学习算法,能有效地识别出自然地貌。     

基于长短时记忆神经网络的辽东湾海冰延伸期预报方法研究

通过合成分析和回归分析,研究了影响辽东湾海冰变化的局地和大尺度环流因子,并基于一种深度学习方法——长短时记忆神经网络(LSTM),建立了辽东湾海冰延伸期预报模型。结果表明,LSTM模型能较好地预报出未来15 d辽东湾海冰的总体发展趋势、浮冰外缘线离岸距离的振荡变化及峰值发生时间等关键特征,1～15 d预报的平均绝对误差为4.1～5.7 n mile~①,均方根误差为5.4～7.5 n mile。LSTM模型的预报时效可达到15 d,较目前海冰数值预报(5～7 d)的时效延长一倍,且运算速度极快,能够节省大量的计算资源和时间成本。该模型的建立为利用深度学习方法开展海洋和气象预报提供了一种新思路。