基于卷积神经网络的飑线识别算法

为了探究深度学习用于飑线识别的可行性,基于2008-2020年河南省郑州和驻马店雷达数据,采用卷积神经网络(convolutional neural network,CNN)算法构建飑线识别模型,引用临界成功指数、公平风险评分、命中率和误判率定量评价模型的识别效果,对比不同样本组成比例和网络结构对飑线识别效果的影响.结...     

基于深度学习的智能矿物识别方法研究

矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。     

卷积神经网络在航测图像自动识别中的应用探讨

针对无人机航测影像的目标识别问题,结合目前已有相关开发语言及模型,探讨在航测内业采集过程中加入人工智能识别技术实现地物自动识别和绘制的可行性。首先,分析近年来计算机图像识别方面的人工智能模型,结合航空影像固有特性,通过研究识别后与已有绘图软件交互。其次,设计了一组基于经典卷积神经网络的航测影像自动识别实验。结果表明,VGG16模型能够有效提升高分辨率和复杂背景的航拍图像的识别准确率,在较小目标(如路灯等)的识别准确率较低。以此给出输入图像精细化预处理、原数据集数据增强与多次迭代、构建具有双重损失函数的糅合模型3个方面的改进措施,为后续进一步的研究确定了方向。     

基于深度卷积自编码网络地震数据去噪方法

在采集得到地震数据中,随机噪声常常与有效信号混合在一起,并且毫无规律,使用常规去噪方法不能够达到理想的效果,影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声,本文根据深度学习的相关理论,提出了一种基于深度卷积自编码网络的数据驱动的去噪方法,可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上,网络使用了较多的层数并加入跳跃连接构造,从而增加了网络的深度,能够提取并结合数据中深层与浅层特征,增强对随机噪声的处理能力,更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现,在去噪的效果上远超中值滤波、小波变换等传统去噪方法,同时也比经典的DnCNN网络更加优秀,能够完整地保留有效信号,极大提升地震数据的质量.     

基于3MNet去噪网络的快速EPRI成像

电子顺磁共振成像（EPRI）是一种先进的氧成像技术。当前EPRI的瓶颈问题是扫描速度过慢,其原因是每个角度下的投影信号需要被重复采集几千次,以压制随机噪声。一种实现快速扫描的方法是减少投影信号的重复采集次数,然而这又使得投影信号信噪比降低,重建出来的图像噪声较大。为有效压制重建图像中的噪声,本文提出一种基于多通道、多尺度、多拼接的（3MNet）图像去噪网络,以实现高精度快速EPRI成像。该网络由3个子网络构成。第1个子网络是基于注意力机制的卷积网络,其输出的特征图像与输入图像拼接以构成后端网络的输入;第2个子网络是3通道卷积网络;第3个子网络是多尺度卷积网络。实验结果表明,本文提出的3MNet网络可以实现EPRI图像的高精度去噪,进而实现快速成像。     

融合多源遥感影像的城市扩展识别与空间驱动分析

鉴于当前较难获取最新高精度长时序遥感城市土地监测图,现有城市扩展空间驱动分析实践识别主要驱动因子时未检验因子集的全局解释性且较少关注空间溢出效应。以东莞为实验对象,集合Landsat影像和MODIS归一化植被指数（normalized differential vegetation index,NDVI）时序产品,构建深度学习分类器,获取高精度土地覆盖分类图,识别城市扩展,使用基于logistic回归的探索性回归识别解释东莞全局城市扩展的最优因子集,进而使用auto logistic回归测度空间溢出效应的影响并进行驱动分析。研究发现：(1)基于深度学习分类器,融合Landsat光谱、纹理和MODIS NDVI时序变化信息可获取高精度（Kappa>93%）土地覆盖分类图;(2)基于探索性回归可良好识别解释全局城市扩展的最优因子集,受试者工作特征曲线（receiver operating characteristic curve,ROC）>0.85;(3)2000—2020年,最优解释东莞全局城市扩展的主要空间驱动因子有城市规划方案、距建成区距离、空间加权城市密度、城市扩展的空...     

基于双流残差卷积神经网络的养殖鳗鲡(Anguilla)摄食强度评估研究

为实现对养殖鳗鲡(Anguilla)摄食强度的准确评估,提出了一种基于双流残差卷积神经网络的鳗鲡摄食强度评估方法,该方法针对传统双流网络(Two-stream)中存在的问题做出了相应的改进。首先针对传统双流网络存在网络结构较浅,无法提取到充分的鳗鲡摄食行为特征的问题,选择使用ResNet50网络进行替换,以提取到更具代表性的特征。其次针对传统双流网络最后的分类结果是把空间流和时间流的得分取平均值融合而获得,这种方式较为简单,且其空间流和时间流网络为独立进行训练,容易导致网络出现学习不到鳗鲡摄食行为的时空关联特征的问题,选择使用特征层融合方式对空间流和时间流网络提取获得的特征进行融合,让网络能够并行进行训练,以提取到时空信息间的关联特征。试验结果表明:文内提出的基于双流残差卷积神经网络的鳗鲡摄食强度评估方法准确率达到98.6%,与单通道的空间流和时间流网络相比,准确率分别提升了5.8%和8.5%,与传统的双流网络相比准确率也提升了3.2%。     

基于深度学习的循环水养殖鳗鲡(Anguilla)行为状态识别的研究

对鱼类的行为进行智能监测,精准地量化与识别其健康状态,已成为研究热点。为实现养殖鳗鲡行为状态精准识别,提出一种基于DenseNet双流卷积神经网络的鳗鲡行为状态检测方法。利用混合高斯背景模型进行前景提取构建数据集,针对传统卷积神经网络对于时间动态信息提取能力有限的问题,搭建关联空间特征与时间特征的双流网络结构(Two-stream),并使用DenseNet-121网络替换原网络,对比VGGNet、ResNet等网络,通过密集连接实现特征重用,在搭建更深的网络结构基础上加强了运动特征传递并减少了参数量,更好地提取具有代表性的行为特征。传统双流网络在两端的softmax层仅作简单的决策层平均融合,无法更深程度关联时空高级特征,提出在网络卷积层提取空间特征与时间特征后,加上一层卷积层将时空特征进行卷积融合以提升模型识别精度。实验结果表明:文中提出的基于DenseNet双流卷积神经网络对6种鳗鲡行为状态检测方法准确率达到96.8%,相较于单通道的空间流与时间流网络,准确率分别提升了10.1%和9.5%;相较于以VGGNet、ResNet搭建的双流网络,准确率分别提升了12.4%和4.2%;与决...     

基于CU-Net模型的红树林自动识别方法研究——以广东省珠海市淇澳岛为例

红树林对维护生物多样性以及生态平衡等具有重要意义。因此,高效、精确地提取红树林植被信息以及实时对其进行监测十分必要。本文提出了一种高分辨率遥感影像红树林像素级精确提取的深度学习方法。针对红树林遥感分类精度不高的问题,通过强化图像中心信息,弱化边缘信息的方法引入CLoss损失函数,添加Dropout、Batch Normalization层构建了适用于红树林识别的CU-Net模型,采用滑动重叠拼接方法构建了新的预测模型,有效解决了预测结果边缘信息不足以及有拼接痕迹的问题。将本文方法的识别结果与U-Net、SegNet、DenseNet模型的预测结果以及传统的SVM、RF方法进行对比,结果表明,本文模型相较于其他深度学习模型泛化能力更强,识别效果更好,在两个测试区域的平均总体精度、平均交并比分别达到了94.43%、88.12%,平均F1-分数在红树林和普通树木的精度分别达到了95.96%、90.49%,精度明显高于传统的SVM、RF方法,也高于其他几种神经网络方法,验证了该模型在红树林识别领域的有效性,可为高分辨率遥感红树林识别领域提供一条新的思路。     

基于软硬协作决策的半监督珊瑚礁底质分类方法

珊瑚礁底质分类对海洋资源开发和海洋生态环境保护起到至关重要的作用。目前,深度学习语义分割方法在遥感图像分类领域应用广泛,但在底质分类方面的研究较少。由于基于全监督深度学习的方法中逐像素标注标签的成本较高,不适用于大规模、高频次的底质分类工作,基于半监督的深度学习方法能够有效利用已标注标签为无标签数据产生伪标签,从而有效降低人工成本,然而现有半监督方法的性能易受伪标签噪声的干扰。针对以上问题,本文提出了一种基于软硬协作决策的半监督底质分类方法。首先,利用多模型联合决策生成高质量的伪标签;然后,提出了一种能够顾及伪标签像素置信度的损失函数来指导模型进行训练;最后,采用软硬协作的决策方式得到精确的底质分类结果。在美属维尔京群岛圣克罗伊岛北部的巴克岛礁和夏威夷群岛的中途岛东南约400 km处的珍珠与爱马仕环礁的浅层底栖生物栖息地地图数据集上评估了本文方法的精度,实验结果表明,本文提出的方法与全监督学习方法精度相当,比主流的语义分割方法精度平均高3.08%,能够有效服务于珊瑚礁底质调查工作。