基于贝叶斯逻辑回归模型研究百度街景图像微观建成环境因素对街面犯罪的影响

街面犯罪对公众的生活安全构成一定的威胁。以往对于公共盗窃和寻衅滋事等街面犯罪的研究往往停留在社区甚至更宏观的层面,难以向微观尺度深入,它们忽略了通过环境设计预防犯罪(Crime Prevention Through Environmental Design,CPTED)理论中所主张的地址级的建成环境的精确特征。地址级的微观建成环境被广泛认为对各类犯罪的发生有着直接或间接的影响,然而对微观建成环境的度量一直是一个挑战。先前的大多数研究都是通过调查样本来表征建成环境,会受到两方面的限制:(1)建成环境特征描述不完整的限制;(2)数据在空间覆盖方面具有稀疏性的限制。百度街景图像作为一个新的数据来源,可以被用来提取地址级的微型环境的建成特征,从而使犯罪研究可以聚焦在更微观的尺度中。本研究使用深度学习全卷积图像分割算法从百度街景图像中提取地理位置的环境变量,共选取树木、通车道路、人行道等8种变量来表现研究区微观建成环境的差异。在控制了与街面犯罪有关的其他因素后,采用贝叶斯逻辑回归模型来评估微观建成环境影响因素对公共盗窃和寻衅滋事案件的影响。结果表明加入了微观建成环境物理特征之后的模型表现更好。对...     

光谱可形变卷积驱动的高光谱图像分类

基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型。然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息。为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN (Spectral Deformable Convolutional Neural Network)。首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱—空间联合特征。不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明：本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86%(Indian Pines,10%/类)、99.81%(University of P...     

基于卷积核哈希学习的高光谱图像分类

高光谱遥感可同步获取地表覆盖空间影像和连续且精细的光谱数据,能够实现对地物的精细分类与识别。然而,高光谱图像的高维特性对分类带来巨大挑战。为此,本文探讨了一种基于卷积核哈希学习的高光谱图像分类方法。哈希学习可以将高维信息表达为低维哈希编码,通过计算哈希编码内积并借助最小汉明距离实现分类。为了有效表达非线性数据,又发展了核哈希学习方法。然而,直接应用核哈希学习进行高光谱图像分类存在运行速度慢和未考虑空间邻域信息的不足。为此,本文在核哈希学习中引入径向基函数RBF (Radial Basis Function)作为损失函数以提高运行效率;同时,借助四维卷积操作充分表达空间邻域信息,提出了基于卷积核哈希学习的高光谱图像分类方法 CKSH (Supervised Hashing with RBF Kernel and Convolution),同时探讨了该方法在仅利用光谱特征和光谱—空间联合特征上的分类效果。在国际通用测试数据Indian Pines和University of Pavia上进行了实验,结果表明：本文提出的CKSH方法优于传统分类方法 （支持向量机、随机子空间）和其他哈希学习方...     

基于PRCUnet的高分遥感影像建筑物提取

基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为：① 基于Unet网络结构,利用金字塔池化模块 (Pyramid Pooling Module, PPM )的多尺度场景解析特点,残差模块(Residual Block, RB)的特征提取能力以及卷积块注意力模块(Convolutional Block Attention Module, CBAM)对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;② 基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。     

基于辛格式离散奇异褶积微分算子的弹性波场模拟

本文发展了基于辛格式离散奇异褶积微分算子(SDSCD)的保结构方法模拟弹性波场,求解弹性波动方程时,引入辛差分格式进行时间离散,采用离散奇异褶积微分算子进行空间离散.相比于传统的伪谱方法,该方法提高了计算精度和稳定性.数值结果表明SDSCD方法可以有效地抑制数值频散,为解决大尺度、长时程地震波场模拟问题提供了合适的数值方法.     

基于卷积神经网络的高分遥感影像内陆盐沼湿地信息提取

本文以宁夏盐池Landsat 8影像、高分二号影像、LiDAR数据插值生成的DEM数据、地理国情普查数据等为数据源,首先利用一年多期的Landsat 8影像确定提取内陆盐沼湿地的最佳时相;然后对最佳时相的高分二号(GF-2)融合影像等数据进行多尺度叠置分割,获取NDVI、DEM、穗帽变换等特征,采用最邻近分类器提取内陆...     

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。     

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。     

利用试射法进行海上多波正演

试射法是求解两点射线追踪问题的一种方法，它的解法快速简便，易于判断和识别。利用试射法正演模拟海上多波地震响应，可以根据需要选择波的类型，而且，它可适用于大偏移距，能直观可靠的得到每一层的反射波和折射波。对地震资料的解释和地下地质模型的推断等有很大帮助。     

应用图像卷积运算提取城市范围

通过一种卷积算法,从遥感分类数据中计算城市用地比例,并以该比例作为划分城市和非城市区的阈值,进而提取城市范围。方法构建了评价提取结果的指标体系,以确定卷积模板大小和阈值的选取。以北京为研究区,利用2007年SPOT 5多光谱影像分类数据,对方法的可行性进行了验证。结合统计数据中的建成区面积,采用504种模板和阈值组合进行提取试验,讨论了模板和阈值对提取结果的影响。最终选择(205, 51)的模板和阈值组合,对城市范围进行提取。研究结果表明：(1)该方法解决了遥感监测的城市用地分布区与城市范围存在差异的问题,为城市研究基础数据的准备提供了新的方法;(2)阈值过高或过低会造成城市范围的明显缩小或扩大;较小的模板不利于消除随机误差,较大的模板则会导致结果过于平滑;(3)对于SPOT 5多光谱影像分类数据,模板大小在193—205像元(约4 km²)、阈值接近50时,提取结果最好。