基于空间遥感影像的居民地自动解译

针对当前地物要素信息采集劳动强度大、智能化程度不高、效率低等技术瓶颈,本文以深度学习理论为基础,在Caffe框架上依托Digits网络服务器构建居民地数据集进行分类识别训练,建立样本数据集并完成模型训练工作.整合居民地复杂数据信息,设计了针对遥感影像自动解译居民地的操作流程.通过对实验结果分析,利用深度学习获取的数据模...     

基于深度学习的地震与爆破事件自动识别研究

针对天然地震事件、爆破事件分类问题,使用甘肃及周边地区80个天然地震事件和20个爆破事件建立数据集,采取深度学习卷积神经网络(convolutional neural network,CNN)方法搭建两个不同结构的模型进行训练,并用500条训练集之外的天然地震事件与爆破事件波形作为测试数据集,其训练和测试准确率均达到9...     

联合YOLOv4和迁移学习的侧扫声纳图像沉船检测

为解决侧扫声纳(SSS)图像沉船检测中样本不足、代表性弱等带来的检测精度低的问题,提出了一种联合YOLOv4和迁移学习的SSS图像沉船检测方法。首先,基于SSS成像机理实现了SSS沉船图像样本扩增,解决样本少而无法开展沉船检测模型构建的难题;然后,利用迁移学习,将公共数据集上学习到的权重和沉船通用性特征引入YOLOv4网络,构建高性能沉船检测模型。试验表明,构建的沉船检测模型取得了85.5%的类平均精度(mAP),将传统方法的检测精度提升了7.7%,在少样本情况下实现了沉船的高精度检测。     

优化卷积神经网络在道编辑中的应用

由于激发、接收及工区现场等导致野外采集的地震数据出现异常道,这时需要对地震记录道编辑处理.当数据量比较大时,人工进行道编辑工作量庞大.非人工做法主要是利用计算机将异常道剔除,没有对异常道细致分类,由此造成了大量的原始数据损失,异常道的产生原因也无从得知.随着计算机性能的提高,深度学习发展迅猛,卷积神经网络(CNN)在深度学习领域起着至关重要的作用.CNN避免了前期很多工作,可以直接输入数据训练模型,将模型用于分类预测.作为一种快速高效的识别算法,可以广泛应用到各个研究领域.本文对极性反转、单频信号、强振幅噪声、空道四种常见的异常道和正常道进行细致分类编号,利用优化的深度卷积神经网络算法识别坏道并进行有效分类,不仅有利于后续对相应道的特殊处理,而且有利于推断产生异常道的原因,在以后的工作中针对产生原因做相应的工作调整.     

基于超完备字典学习的缺失地震数据重构方法

地震勘探目标区域环境的复杂多变性导致采集的地震数据存在不完整或者不规则等问题,针对这一问题,本文在压缩感知相关理论的支撑下,提出了基于超完备字典学习的缺失地震数据重构方法.首先利用K-SVD字典学习技术对地震样本数据进行训练,建立超完备字典对地震数据进行稀疏表示,然后引入高斯随机采样矩阵作为测量矩阵对地震数据进行采样;在数据重构阶段采用分段正交匹配追踪算法实现缺失地震数据的重构.通过与传统的地震数据重构方法对比,本文算法的重构效果在峰值信噪比、信噪比等指标上均优于对比算法,证明了超完备字典学习方法能更好的根据地震数据特征进行稀疏表示,从而获得较好的重构效果.     

基于深度学习的甘蔗种植区域遥感提取方法研究

文章针对甘蔗种植区域提取的精度和效率等问题,提出了一种基于深度学习的高分辨率卫星遥感提取甘蔗种植区域的方法,设计了一种高效、准确、自动化的卷积神经网络(Sugarcane Extraction Convolutional Neural Network,以下简称SE-CNN).SE-CNN无需人为设计规则,能够自动学习甘...     

应用"中国知网"提高知识和信息素养

在介绍“中国知网”的基础上,帮助读者了解其检索窗口、检索途径和检索方法;针对初学者,详细介绍如何应用“知网节”、“词扩展”、“CNK I翻译助手”及“CNK I搜索引擎”等“中国知网”的特色功能;阐述提高“中国知网”的利用效率,充分发挥网上数据库的知识信息在学习和科研中的作用。     

基于最小外接矩形的遥感影像建筑物轮廓优化方法

深度学习提取高分辨率遥感影像中的建筑物信息容易受到物体周围的阴影、植被等噪声干扰而使结果存在边界锯齿化、建筑物整体不规整等问题.本文提出了利用符合建筑物边界轮廓的最小外接矩形最大限度地拟合建筑物轮廓的思路.首先利用深度学习和建筑物验证处理得到的建筑物信息,对建筑物边界利用垂距法进行多边形的拟合;然后对多边形的最小外接矩...     

基于深度学习的航海通告命名实体识别方法

为进一步提高识别、提取和应用航海通告信息的效率和准确性,基于对深度学习的自然语言处理技术及中文电子航海通告文本特点的研究,通过语料标注、搭建、调参、训练与评价了5种命名实体识别模型,得出CNN-BiLSTM-CRF模型的识别精确率、召回率等主要指标达到70%以上,能够适应复杂的通告内容及其语境干扰,是目前最优的航海通告命名实体识别模型的结论。应用该模型可为航海通告内容的自动化、智能化提取,高效编制及快速与准确应用提供一种新的技术方法。     

基于生成对抗网络的窗户精细结构半监督识别

针对当前立面窗户重建存在的精细结构缺失、标注数据获取困难、迁移学习精度不高的问题,提出了一种基于生成对抗网络(GAN)的半监督精细窗户结构识别方法。该方法使用纹理影像进行信息提取,基于半监督学习的方式,从大量无标签数据中构建生成对抗网络模型,提升了模型的泛化能力和抗干扰能力。实验表明,本文方法可以明显提升小样本下建筑立面窗户的种类识别精度和参数回归精度,应用于实际建模之中也取得了良好的效果。