面向AUV自主水下对接的视觉检测算法

针对自主式水下机器人水下对接过程中近距离视觉导引存在的定位精度低、计算时间长的问题。基于Cascade RCNN神经网络模型设计了一种高精度视觉检测算法。首先,基于热力图导向的泊松复制建立混合数据增强策略,在实例级和图像级上扩充训练样本;其次,采用完备交并比损失函数提高算法模型输出边界框的回归准确率;然后,使用学习率余弦退火策略,通过周期性的热重启和衰减使算法模型能概率性地跳出局部最优解并最终趋于全局最优,以进一步提高目标检测精度;最后,使用混合精度策略减少算法模型计算复杂度,提高实时性。水下对接实拍图像目标检测试验表明：该算法模型的平均精度达到94%,检测速度超过20帧/秒。     

“三调”质量检查中不一致图斑提取正确性检查方法研究

目前对土地利用变化检测的研究在多时相遥感影像数据上进行,而在第三次全国国土调查（简称“三调”）工作中,通过套合矢量图斑数据与高分辨率遥感影像并完全依赖目视解译提取不一致图斑,该方法耗时,且仅抽取少量数据进行提取正确性质量检查。使用卷积神经网络模型,采用在ImageNet数据集中预训练的MobileNetV2模型对结合了SIRI-WHU数据集的贾汪区分割后数据集进行训练,将分类结果与矢量图斑数据进行比对,提取出不一致图斑,以检验该模型在不一致图斑正确性检查中的可行性。实验证明,通过该方法能够提取出不一致图斑,有望在“三调”质量检查以及土地利用变化检测等工作中推广。     

基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor, DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio, SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network, CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去...     

电阻率层析成像方法技术近年发展概况

本文对近年来电阻率层析成像在方法技术方面的进展作了简要介绍,并对几种具有代表性的方法,表述了它们各自的优缺点,提出了继续研究的方向。     

基于Anchor-free的交通标志检测

交通标志检测是自动驾驶中的重要研究方向,实时准确地从街景图像中检测交通标志对实现自动驾驶及智慧城市的发展具有重要意义。传统的算法基于颜色、形状特征进行检测,只能提取特定种类的交通标志,算法无法同时检测不同类型的交通标志。基于图像特征+机器学习分类器的算法需要人工设计特征,算法速度较慢。主流的基于深度学习的方法多基于先验框,在网络设计上引入了额外的超参数,且在训练过程中产生过量的冗余边界框,容易造成正负样本不平衡。本文受Anchor-free思想的启发,引用YOLO检测器直接回归物体边界框的思路,提出一种基于Anchor-free的实时交通标志检测网络AF-TSD（Anchor-free Traffic Sign Detection）。AF-TSD摒弃了先验框的设计,并引入自适应采样位置可变卷积与注意力机制,大大提高网络的特征表达能力。本文开展大量对比实验,实验结果表明本文提出的AF-TSD交通标志检测网络速度接近主流算法,但精度优于主流算法,在德国GTSDB交通标志检测数据集上取得了96.80%的精度,检测速度平均单张图片32 ms,达到实时检测的要求。     

规则格网DEM格网点位移重采样方法探讨

关于规则格网DEM数据的裁切范围,有以DEM格网角点为起算点的裁切公式,也有以DEM格网中心点为起算点的裁切公式。基于最邻近法、双线性内插法、三次卷积内插法,论述DEM数据成果在2种裁切方法之间转换的精度及有关问题。     

膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取

由于农村建筑物结构多样、空间分布复杂等特征,自动提取面临较多困难。针对该问题,本文提出采用膨胀卷积和金字塔池化表达的神经网络模型用于遥感影像中农村建筑物自动提取。在膨胀卷积神经网络模块中,通过改变孔尺寸的大小,获取不同感受野的特征信息;在金字塔表达方面,每个模块输入不同尺度的信息,且同时下采样的倍率也不同,获取多维的金字塔尺度特征;最终将提取的浅层及深层尺度特征信息进行融合,构建一个改进的适用于农村建筑物目标自动提取的深度学习模型。试验结果表明,与FCN-8s和DeepLab模型提取的结果相比,本文方法在农村建筑物提取中表现较好的性能,提取精度明显提高,且更好保留了目标边界细节信息,减少了噪声。     

YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测

提升目标检测模型的泛化能力是计算机视觉领域的研究热点和关键难点。本文提出了一种Multi-Patch方法和多帧增量式预测策略,提升了不同场景下交通视频目标检测的稳健性,有效解决了目标尺度多变导致的视频中目标召回率低的问题。根据视频分辨率和目标尺寸,基于Multi-Patch方法自动将视频帧分割成最佳输入尺寸,使用YOLO v4神经网络并关联连续帧的上下文信息,采用增量式预测策略降低视频目标检测的漏检率,提升不同场景下视频目标的检测置信度得分和召回率。采集不同拍摄条件下的交通视频,验证该方法的有效性。试验结果表明,本文提出的目标检测方法召回率在80%以上,置信度平均得分在0.84以上。     

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。     

MODE方法在西南区域模式降水预报检验中的应用

为了弥补传统检验方法的缺陷,本文基于对象目标的空间检验方法MODE,对四川2019年6月22日的强降水过程进行检验,分析西南区域模式在短时强降水的预报效果。通过对该方法各参数的确定,可以发现:(1)MODE检验方法在确定卷积半径R和降水阈值时应灵活地进行选取;(2)模式较好地把握了此次降水过程的发展消亡过程,尤其是对盆地东北部的降水预报效果很好,对降水目标物的形状、走向、移动方向以及落区有比较好的相关性;但对于降水发展初期,模式预报效果不理想,存在明显的空报;(3)对于强度预报,降水发展强盛期预报场对高原目标物强度预报在降水大值区存在一定高估,对盆地目标物强度预报基本接近于实况,但在降水减弱时对盆地目标物强度预报也存在明显高估。