基于层数自适应加权卷积神经网络的川藏交通廊道沿线滑坡易发性评价

开展铁路沿线滑坡易发性评价对川藏交通廊道工程建设及运维过程中的风险管理具有重要意义.提出一种层数自适应、通道加权的卷积神经网络(layer adaptive weighted convolutional neural network,LAW-CNN),对川藏交通廊道沿线滑坡易发性进行评价.依据野外调查和影响因素分析筛选出影响滑坡发生的影响因子,绘制滑坡编目,构造用于易发性评价的实验数据集;针对卷积神经网络的权重初值、网络层数等超参数难以优化设置的问题,提出基于影响因子信息熵的通道加权方法和网络层数优选策略,通过多通道加权和层数自适应分类卷积的方式提出滑坡易发性制图的LAW-CNN架构;搜索最优LAW-CNN网络结构并训练网络参数,获取研究区滑坡发生概率并进行易发性分级评价.所提的LAW-CNN模型可以不同权重和不同深度挖掘影响因子的深层特征,实验结果表明,模型曲线下面积(area under curve,AUC)值为0.852 8,极高易发区滑坡点密度为1.251 9,均优于SVM(support vector machine)和CNN模型;川藏交通廊道沿线滑坡极高和高易发区主要集中在大江大河两侧以及横断山区.LAW-CNN模型可较好评价川藏交通廊道滑坡易发性,能够为川藏交通廊道的建设和灾害防治提供科学的依据.      

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

基于深度卷积神经网络的频高图分类研究

本文提出了一种利用深度卷积神经网络的频高图分类方法,在频高图分类标记的基础上,通过对深度学习经典网络结构的网络层迁移的方式,构建频高图类型识别网络模型,实现基于传播模式分布的频高图自动分类.利用试验获取的大量频高图数据,依据频高图中电离层传播模式分布情况,结合频高图度量基本规则,人工对频高图数据分类标记,生成网络模型样本数据;然后以随机方式,选取样本数据85%的数据作为训练数据,其余数据作为测试数据;经验证训练后的网络模型能够将测试频高图数据自动分为七种类型,频高图类型识别综合准确率高于97%.该方法可为频高图特征参数的自动、精确提取提供重要技术和高质量数据支撑,对电离层结构信息有效获取具有重要意义.     

基于双分支卷积神经网络的SAR与多光谱图像融合实验

针对合成孔径雷达(Synthetic Aperture Radar,SAR)和多光谱(Multi-Spectral,MS)融合图像中存在的空间细节模糊和颜色失真问题,该文兼顾光谱监督和空间细节监督,设计光谱损失函数和空间细节损失函数,提出一种基于双分支卷积神经网络(Convolution Neural Network,CNN)的SAR和MS图像融合算法。该算法网络框架包含光谱保持和细节提升两个分支:光谱保持分支通过上采样MS图像连接到网络的输出,直接将光谱信息传递到融合图像中;细节提升分支对SAR和MS图像通过高通滤波提取高频细节信息,然后应用CNN对细节信息进行特征提取、特征融合及重建,最后将重建的细节信息叠加到上采样的MS图像,得到融合结果。以哨兵-1B GRD级别的SAR图像和Landsat8卫星多光谱图像为实验数据,通过与传统融合算法和深度学习算法RSIFNN进行对比,结果表明,该文算法在定性和定量评价方面效果更好,能够在保持光谱信息的基础上增强多光谱图像的空间细节信息,有利于后续地物分类和目标识别等工作的开展。     

利用风云3D微波成像仪数据估算北极海冰密集度的精度评价

卷积神经网络（convolutional neural network, CNN）已用于星载全球导航卫星系统反射测量（global navigation satellite system-reflectometry,GNSS-R）海冰检测,其具有数据预处理简单、最大限度保留反射面信息等优势,但已有GNSS-R CNN海冰检测方法研究的数据集时间跨度较小,代表性有限,且未考虑训练集内海水、海冰时延多普勒图（delay-Doppler map, DDM）的比例对方法泛化能力的影响。针对该问题,首先提出一种筛除畸形DDM方法,有效筛除错误数据;然后,设计合适的CNN结构及参数,通过小样本对比实验发现CNN模型在训练集内海水、海冰DDM的比例为1∶1时具有高准确率和最佳泛化能力,并优化数据集选取策略;最后使用2018年全年大样本数据集评估改进的方法在大数据量和大时间跨度时的有效性和可靠性。研究表明,改进的方法通过加强数据质量控制、优化数据集选取策略,提升了CNN海冰检测方法的泛化能力及可靠性,使其更适用于实际应用场景,为海冰消融等研究提供参考。

     

动态卷积YOLOv5的视频火焰检测算法

针对传统火灾检测系统容易受地理空间的影响,且现有的深度学习方法对动态火灾的检测能力较弱等问题,该文提出了一种动态卷积YOLOv5视频火焰多尺度目标检测算法。采用K-means++算法优化了anchor box聚类,降低了分类结果的误差。基于动态卷积思想,采用剪枝方法对YOLOv5 Neck和Head的网络头进行了剪枝,降低了模型大小,实现了视频火灾的动态实时准确检测。基于不同火灾监控视频的实验结果表明,该文方法不仅可以有效地对地面监控视频中的火灾点进行检测,还能够对无人机上监控视频中的火灾点进行检测。研究结果可以应用于基于视频的不同场景的火灾检测,从而达到对现有火灾检测系统补充的作用。     

2018年斐济MW8.2深震:高频辐射过程和发生原因

2018年8月19日,在斐济东部海域563 km深处发生了一次M_W8.2地震.我们首先挑选位于美国阿拉斯加地区的131个宽频带台站构成台阵,选用垂直分量0.5~2 Hz的高频信号,利用广义台阵反投影技术对这次地震的破裂过程进行了成像,然后基于破裂速度对地震的辐射效率进行了估计.结果表明,这次地震总体上呈单侧破裂,破裂方位在3.0°左右,破裂总长度约51 km,持续时间22 s,平均破裂速度为2.5 km·s^-1.但能量释放有2次高峰,形成两次子事件.第一次为前10 s,峰值在7 s左右,破裂速度为2.9 km·s^-1,辐射效率为45%.第二次为10~22 s,峰值在15 s左右,破裂速度为1.6 km·s^-1,辐射效率为26%.结合震源位置、震源机制、破裂速度以及辐射效率,我们认为这次地震是由于俯冲板块前缘受到下部地幔物质上浮阻力引起的剪切失稳所致,起初板块内部的脆性破裂表现突出,致使辐射效率较高,后来震源处高温高压下的熔融耗散特征逐渐凸现,致使辐射效率下降.

     

基于卷积神经网的CCTV视频中排水管道缺陷的智能检测

作为地下空间信息测绘工作的一个重要部分,基于排水管道内部测绘信息的管道缺陷检测越来越受到人们的重视。CCTV技术是一种广泛使用的排水管道内部测绘与缺陷检测技术。近些年基于卷积神经网的人工智能技术在图像识别中取得了巨大成功,受此启发,提出了一种基于卷积神经网络的排水管道缺陷的检测方法,以提高CCTV视频中的管道缺陷检测的自动化和智能化。试验证明了该方法的有效性,其在缺陷识别的准确率和召回率及识别速度上均满足了排水管道缺陷智能检测的需要;同时该方法也已经在深圳市的排水管道检测中得到广泛的应用。     

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。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。