面向高光谱图像分类的半监督空谱判别分析

为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。     

基于错误式学习的低空影像人行横道多角度自动识别

提出了一种基于特征的错误式学习分类器半自动迭代训练方法,该分类器能够自动识别多角度低空影像上的人行横道线,在人行横道线管控与数据库建立、道路网提取上有较好的应用。介绍了基于错误式学习的分类器训练思路与方法,并提出了将同一地区不同角度低空影像的识别结果进行合并,从而尽可能全面的检测出被城区高楼以及车辆遮挡的人行横道线的思路。通过对比实验该方法的鲁棒性,并在其基础上随机选取多组数据进行系列实验,证实了基于错误式学习的分类器比传统方式训练的分类器有更好的综合性能,能够在不降低识别耗时的前提下产生高准确率、低漏检率和低误识别率的识别结果。     

赴NOAA—CPC工作学习总结——降水量网格数据集的制作技术和方法

根据NOAA（美国海洋大气局）和CMA（中国气象局）双边合作协议,我以访问学者的身份对CPC（Climate Prediction Center,气候预测中心）进行了为期8个月的T作访问（2007年8月7日至2008年3月28日）。CPC是NOAA下属的美国环境预测中心（NCEP）的一个处级单位,以制作各种气候产品并在此基础上进行气候监测、诊断和预测的业务单位。     

融合点云和多视图的车载激光点云路侧多目标识别

城市环境中的行道树、车辆、杆状交通设施是重要的交通地物,也是智能交通,导航与位置服务,自动驾驶和高精地图等行业应用的核心要素.为了准确识别这些路侧目标,本文提出一种融合点云和多视角图像的深度学习模型PGVNet(point-group-vi ew network),充分利用目标点云数据中空间几何信息及其多视角图像中高级全局特征提升路侧行道树、车辆和杆状设施的分类精度.为了减少视图间的冗余信息并增强显著视图特征,PGVNet模型利用预训练的VGG网络提取多视图特征,对其进行分组赋权获取最优视图特征;采用嵌入注意力机制的融合策略,利用最优视图特征动态调整PGVNet模型对点云不同局部关系的注意力度,学习不同路侧目标的多层次、多尺度显著特征,实现行道树、车辆和杆状交通设施的精确分类.试验采用5份不同车载激光扫描系统获取的不同城市场景数据验证本文方法的有效性,其中行道树、车辆及杆状交通设施分类结果中的准确率、召回率、精度和F1指数分别达(99.19％、94.27％、93.58％、96.63％);(94.20％、97.56％、92.02％、95.68％);(91.48％、98.61％、90.39％、94.87％).结果表明,本文方法融合多视图全局信息和点云局部结构特征可以有效区分城市场景中的行道树、车辆和杆状交通设施,可为高精度地图中要素构建与矢量化提供数据支撑.     

基于深度学习方法的耕地违建自动提取

耕地是粮食安全的根基所在,而随着我国城镇化的推进,农村违法占用耕地问题逐渐普遍化.加强对农村耕地的违建监测并制定应对措施是有效制止耕地蚕食现象的前提.借助深度学习技术,提出了一种基于前期耕地矢量的建筑物变化检测方法.首先利用已有国情矢量和影像数据制作建筑物专题样本;然后利用U-Net网络进行建筑物提取的模型训练,借助O...     

单纯形定位方法在新疆数字地震台网的测定精度分析

地震定位是地震学中最基本的问题之一,现阶段大部分采用基于走时的方法。单纯形定位方法作为一种直接搜索类的方法,在新疆测震台网日常地震目录产出中发挥了重要作用。本文采用数值模拟的方法,利用新疆测震台网现有布局,结合“3400”走时表,分析单纯形定位方法在新疆测震台网的测定精度。研究表明,对于新疆测震台网网内浅源地震,单纯形定位方法能够得出较为精确的震中位置,而得出的网外地震震中位置存在一定偏差;初至折射波对震源深度有一定的控制能力,速度模型的准确性对震源深度和发震时刻的测定影响较大。     

基于深度BP/ELMAN神经网络的山区GNSS高程转换精度分析

将GNSS测量的大地高以较高精度转换为工程所需的正常高具有重要的实用价值。本文利用GSVS2017项目高精度的GNSS水准数据,分析了深度BP/ELMAN神经网络、广义回归神经网络(GRNN)、径向基函数神经网络(RBFNN)、支持向量机回归(SVR)、二次曲线拟合和曲面拟合等方法用于GNSS高程转换的精度。试验结果表明：(1)在训练点间距为50、30、15、10、5 km时,采用隐含层激励函数为ReLU的深度BP/ELMAN神经网络,其精度比GRNN、RBFNN、SVR、二次曲线拟合和曲面拟合方法高;(2)利用隐含层激励函数为ReLU的深度BP/ELMAN神经网络进行GNSS高程转换,5种训练点间距均可使90%以上检核点间的高差满足四等水准测量精度,75%以上满足三等水准测量精度要求,训练点间距为5 km时,55%以上的高差可达到二等水准测量精度要求。     

深度学习遥感图像标注系统研究

随着深度学习的发展,遥感影像处理技术也从传统机器学习算法向深度学习转变,然而,用于遥感图像的训练数据集却十分稀少,且数据标注困难.本文将GIS技术与图像标注技术相结合,基于Flask Web框架设计一个可用于海量遥感数据的标注系统.该系统可用于海量遥感数据的数据框标注、数据类别标注,以及目标关键点标注,同时能将标注数据...     

一种基于流形正则化的半监督指纹定位算法

针对传统指纹定位算法采集带标签训练数据成本高的问题,本文提出了一种基于流形正则化的半监督指纹定位算法。首先以流形假设为依据,利用批量输入的带标签数据与无标签数据之间的相似度构建图拉普拉斯算子;然后与极限学习机算法相结合,通过随机特征映射建立隐含层;最后在流形正则化框架下,求解隐含层和输出层之间的权值矩阵,从而建立位置估计模型。仿真结果表明,与INN、SVR、ELM 3种算法相比,该算法的训练和测试时间相对较短,且在带标签训练数据稀疏的前提下仍能保持较高的准确率与稳定性。     

地震海啸剖析

海域发生地震时引发海水的异常波动,称地震海啸（以下简称“海啸”）。海啸是海水从水面到水底整体的波动,其波长为数百千米,波宽达数百千米以至更宽;波动周期一般为2～200分钟,常见的为2～40分钟;传播速度很快,每小时可达到700～1000千米,它与海水深度成正比,