样本尺寸对遥感影像FCN训练模型的影响分析

针对如何选择合适尺寸的影像样本来得到较好的网络模型这一问题,该文基于全卷积神经网络(FCN)的遥感影像分类方法,开展了不同样本尺寸下的网络模型训练实验,分析了样本尺寸分别为128、256、512像素大小时对FCN网络模型的影响。结果表明:512像素×512像素大小样本尺寸下像素准确率、平均准确率、平均交叉联合度量和带权交叉联合度量4个评价指标的精度值均高于128像素×128像素和256像素×256像素大小的值,比128像素×128像素样本尺寸平均高出20%以上,比256像素×256像素样本尺寸高出10%以上,因此,在计算机内存允许范围内采用大尺寸样本进行网络模型的训练,有利于提高模型训练精度,可得到更好的分类结果。     

遥感影像要素提取的可变结构卷积神经网络方法

针对利用经典卷积神经网络提取遥感影像地物要素的方法中,模型容量受既定网络固有结构的限制而难以得到良好提取效果的问题,提出利用可变结构卷积神经网络的遥感影像要素提取方法。该方法将结构搜索与权重求解过程统一,在定义卷积神经网络架构的基础上将其中的关键结构作为变量,并以要素提取精度指标作为目标函数,利用遗传算法求解网络结构,最后以该网络为模型提取遥感影像中的目标要素。相关试验表明,可变结构卷积神经网络具备灵活的模型容量,对遥感影像中目标要素的提取效果良好。     

基于深度学习的航空遥感影像密集匹配

本文探讨了深度学习在航空影像密集匹配中的性能,并与经典方法进行了比较,对模型泛化能力进行了评估。首先,实现了MC-CNN(matching cost convolutional neural network)、GC-Net(geometry and context network)、DispNet(disparity estimation network)3种代表性卷积神经元网络在航空立体像对上的训练和测试,并与传统方法SGM(semi-global matching)和商业软件SURE进行了比较。其次,利用直接迁移学习方法,评估了各模型在不同数据集间的泛化能力。最后,利用预训练模型和少量目标数据集样本,评估了模型微调的效果。试验包含3套航空影像、2套开源街景影像。试验表明:①与传统的遥感影像密集匹配方法相比,目前深度学习方法略有优势;②GC-Net与MC-CNN表现了良好的泛化能力,在开源数据集上训练的模型可以直接应用于遥感影像,且3PE(3-pixel-error)精度没有明显下降;③在训练样本不足时,利用预训练模型做初值并进行参数微调可以得到比直接训练更好的结果。     

基于U型神经网络的沙丘-草甸相间地区无人机影像植被覆盖度提取及其影响因素

为了精准监测沙丘-草甸相间地区景观尺度典型地类植被覆盖度动态变化,利用无人机获取的多时相高清RGB正射影像,构建了植被覆盖度提取U型神经网络深度学习模型,并对提取的植被覆盖度进一步分析了其在生长期(5-10月)的变化特征及对环境因子的响应.结果表明:(1)构建的植被覆盖度提取模型精确度较高,训练集准确率为0.82,验证...     

应用型高光谱影像卷积神经网络分类方法

针对生产任务中常用的卫星高光谱数据空间分辨率不高、地物复杂的特点,提出一种实用性和灵活性较强、效率较高、不依赖空间信息的分类方法.对高光谱遥感影像数据进行分析,依据其光谱信息丰富,但在复杂地物中空间特征不足的实际情况,采用离散采样的方法,充分利用质量较好的样本点进行特征提取.对传统卷积神经网络进行改进,通过卷积层与池化...     

一种基于深度学习的海表面温度预测方法——以南海为例

传统的海洋环境预报主要包括数值预报和经验统计预报,预报技术多依赖于物理模型,存在一定的技术瓶颈.本文利用Remote Sensing System(RSS)提供的微波优化插值海表面温度数据,以南海为例,在研究了深度学习预测海表面温度原理和技术流程的基础上,提出了基于卷积神经网络和长短期记忆网络(Convolutiona...     

机器学习的原理及其在气候预测中的潜在应用

经历了两次"人工智能寒冬"之后,机器学习于近十年再次进入大众视野,且有腾飞发展之势,已在图像识别和语音识别系统等实际应用方面取得了巨大成功.从已知数据集中总结关键信息和主要特征,从而对新数据做出准确的识别和预测,分别是机器学习的主要任务和主要目标之一.从这个角度看,将机器学习整合到气候预测的思路切实可行.本文,首先以线...     

应用卷积神经网络和自注意力机制识别地磁场干扰事件

随着受干扰地磁观测仪器数量的不断增多,现有半人工识别干扰事件的方法存在效率低、工作量大、识别结果因人而异等问题。本文利用2012年1月1日至2014年12月31日全国地磁台网原始观测数据和地磁专家标注的2小时内干扰事件记录,分别构建干扰事件样本和正常样本各51 357条,基于卷积神经网络和自注意力机制提出一种新的干扰事件识别模型,实现干扰事件的自动、快速分类。实验结果显示,该模型在验证集的准确率达到92.93%,在测试集的准确率达到93.37%。与MLP、FCN、ResNet三种模型相比,本模型在测试集上的准确率平均提高近8.76%,表明卷积神经网络和自注意力机制等深度学习算法在地磁观测数据干扰事件识别领域具有巨大潜力,为进一步精确识别各类干扰事件探索了一种新思路。     

基于分数阶最优控制网络的复杂勘探随机噪声消减方法

在实际勘探记录处理过程中,复杂随机噪声的出现严重影响了有效反射信息的提取,并对资料后续处理带来了不利影响。随着非常规油气资源开发,对勘探记录质量提出了更高的要求,常规方法在处理能力方面需要持续提升。为了解决复杂噪声消减问题,笔者将最优控制网络引入随机噪声消减领域。与传统的单一尺度消噪网络不同,FOC-NET具有分层结构,能够利用不同尺度信息并结合信息融合处理实现地震勘探数据潜在特征的高精度提取,克服了传统去噪网络单一尺度信息提取造成的有效特征损失问题。同时,在面对低信噪比勘探记录和弱反射同相轴时,多尺度特征交互方式同样可以有效提高噪声压制和信号恢复能力。合成记录和实际数据处理结果均表明,即使在低信噪比条件下,FOC-NET仍能有效地抑制随机噪声并准确重构出有效反射信息,极大提升勘探资料的质量。     

基于卷积神经网络预测南海海底地形

针对南海区域,使用3种重力信号(垂线偏差、重力异常、垂直重力梯度异常)训练卷积神经网络模型,并将预测结果与船测数据和国外模型结果进行对比分析。将3种重力信号分成4组数据：重力异常,重力异常与垂直重力梯度异常,重力异常与垂线偏差,以及重力异常、垂线偏差和垂直重力梯度异常。4种组合方式的反演结果与船测水深之间的标准差分别为104.780 m、102.778 m、93.788 m、88.289 m,表明随着不同类型重力数据的加入,水深预测精度明显提高,并且在深度大于2 000 m时,反演结果精度提升效果更为显著。将训练集占总数据集的比例分别设置为80%、70%、60%和50%,反演结果与船测水深之间的标准差分别为88.289 m、91.256 m、92.833 m、96.022 m,表明数据量的增多可以有效提高模型学习结果的精度。