水平旋转椭球体的自然电场及其解释

引言在前一篇文章中,我們討論了繞垂直軸旋轉橢球體的自然電場和解釋。本文將討論水平旋轉橢球體的自然電場和其解釋方法。水平旋轉橢球體的自然電场 設垂直極化的水平旋轉橢球體位在一均匀各向同性無限大的介質里,其電阻率為     

P-P波及P-SV波叠前深度偏移速度模型建立方法

针对多波叠前深度偏移速度模型的建立问题,提出在CDP道集上利用互换原理组成伪地集作为叠前偏移速度分析的数据道集,先用叠前时间偏移方法求取层间互不影响的等效偏移速度模型,再用餐前深度偏移方法逐层求取层速度模型．对各层的速度质量、整个速度模型层位结构及速度横向变化,采用人机交互方式进行监控,并在速度叠代中引入全局寻优的遗传算法,使整个速度模型建立过程具有稳定、可靠和可视化的优点．经理论和实际资料处理结果证明,本方法是行之有效的．     

多层弹性半空间中的地震波（二）

一、引言 地震面波的频散性质、地震波辐射的方向性等特性已经广泛地用于地壳和上地幔结构以及震源机制的研究中,并且取得了许多有用的成果.研究地震波如何从震源辐射出来、如何在实际介质中传播和衰减的这一问题,对于利用地震波确定地壳和上地幔结构以及震源的参数,是很有必要的.关于这一问题的研究,已经作过许多工作。已往的工作中,为了分析方便,往往采用简单的地壳-上地幔模型或简单的震源模型,或两者都相     

基于DOM规范的网页分析技术研究

基于DOM树模型进行网页建模,同时利用深度优先的递归算法对DOM树模型进行遍历.通过将HTML文档转换为DOM树,对其遍历后给树的节点唯一标号来对网页进行分析.为了更直观的分析网页结构还采用图形界面的形式来显示树型DOM文档.实验表明,提出的这种方法能够很好地分析Web页面标记的嵌套结构,并能准确地与转化成DOM树之后的嵌套结构相匹配,从而达到了精确的网页分析和网页节点定位的目的.     

基于LS-DYNA海底悬空管道受坠物碰撞动力响应分析

基于ANSYS/LS-DYNA动力学分析软件,采用非线性动力有限元法,对坠物撞击海底管道的过程进行数值仿真。通过大量的数值模拟得出:相同坠落物能量的情况下,悬空管道的凹陷损伤深度与裸露管道的相比偏小,且随着坠落物能量的增加,其差值增大;随着坠落物速度、坠落物质量的增大,管道撞击部位凹陷变形加剧,海底管道悬空段的最大振动幅值增大;相同坠落物能量的情况下,坠落物与悬空管道的接触面积越小,悬空管道的损伤深度越大;海床土体参数(剪切弹性模量、内摩擦角、密度)的变化对悬空管道的凹陷损伤深度及悬空段的最大振动幅值的影响较小。     

融合点云和多视图的车载激光点云路侧多目标识别

城市环境中的行道树、车辆、杆状交通设施是重要的交通地物,也是智能交通,导航与位置服务,自动驾驶和高精地图等行业应用的核心要素.为了准确识别这些路侧目标,本文提出一种融合点云和多视角图像的深度学习模型PGVNet(point-group-vi ew network),充分利用目标点云数据中空间几何信息及其多视角图像中高级全局特征提升路侧行道树、车辆和杆状设施的分类精度.为了减少视图间的冗余信息并增强显著视图特征,PGVNet模型利用预训练的VGG网络提取多视图特征,对其进行分组赋权获取最优视图特征;采用嵌入注意力机制的融合策略,利用最优视图特征动态调整PGVNet模型对点云不同局部关系的注意力度,学习不同路侧目标的多层次、多尺度显著特征,实现行道树、车辆和杆状交通设施的精确分类.试验采用5份不同车载激光扫描系统获取的不同城市场景数据验证本文方法的有效性,其中行道树、车辆及杆状交通设施分类结果中的准确率、召回率、精度和F1指数分别达(99.19％、94.27％、93.58％、96.63％);(94.20％、97.56％、92.02％、95.68％);(91.48％、98.61％、90.39％、94.87％).结果表明,本文方法融合多视图全局信息和点云局部结构特征可以有效区分城市场景中的行道树、车辆和杆状交通设施,可为高精度地图中要素构建与矢量化提供数据支撑.     

基于单阶段神经网络的房屋屋顶检测方法

针对现有方法利用无人机影像对房屋目标进行检测的过程中存在错检、漏检率高等问题,构建了单阶段卷积神经网络来实施无人机影像房屋检测,并在德国宇航中心开源数据集(Deutsches Zentrum für Luft-und Raum fahrt,DLR)3KVehicle的基础上,采用多种数字图像增强手段对原始图像进行数据增强处理,提高训练后模型的泛化能力.在测试数据集上对训练后的网络进行测试,采用精度均值(Average Precision,AP)和每秒传输帧数(Frames Per Second,FPS)指标进行评价.并将检测结果与经典的目标检测模型单激发多盒探测器(Single Shot Multi-Box Detector,SSD)以及YOLOv3的检测结果进行对比.结果表明,所构建的卷积神经网络对于无人机影像中的房屋目标尤其是小目标有着较高的检测精度,检测精度可以达到91.3％AP,相比SSD和YOLOv3在精度方面提高了11.5％和8.3％.同时网络的检测速度可以达到每秒传输帧数21m·s-1,能够快速精确地检测出无人机影像中的房屋目标.     

深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%,实现了快速有效的遥感图像智能处理。     

空洞卷积U-Net的遥感影像道路提取方法

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.