一种多层特征融合的道路场景实时分割方法

道路场景理解是自动驾驶领域中重要模块之一,它可以提供关于道路更丰富的信息,对于建立高精度地图和实时规划都具有重要作用。其中,语义分割可以为图像每个像素赋予类别信息,是自动驾驶场景理解中最常用的方法。但是,目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在MobileNetV2的基础上,提出了一种多层次特征融合的方法,使得网络可以在实时运行的同时保证精度满足实际应用的需求,并在Cityscapes数据集上进行了试验验证和分析。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

基于深度学习的路面裂缝提取

裂缝是主要的路面损坏,路面裂缝自动化提取对于维护和监测路面状况至关重要。针对传统人工检测效率低、缺乏客观性等问题,提出了一种基于深度学习语义分割网络的路面裂缝自动提取方法,实现了由路面图像自动生成裂缝二值图。并且阐释了不同尺度特征对语义分割的好处,并结合裂缝本身细小的特性,在U-Net的基础上增加了大尺度特征提取分支。随后采用激励压缩模块进行两种特征的融合。在CFD(computational fluid dynamics)数据集上的实验表明,该改进算法的F1分数、kappa系数分别可达74.28%和73.83%,相较于其他主流分割网络,提高了约2%。     

超临界态甲烷密度研究

超临界甲烷密度不仅是非常规天然气资源量计算与吸附能力测定的重要参数,同时也是衡量超临界甲烷扩散效率与溶解有机物能力的主要指标。通过对比分析各种气体状态方程的适用性,认为基于亥姆霍兹能量基本状态方程可以准确计算0~30 MPa、270~360 K条件下甲烷的密度。利用Microsoft Office Excel编写了甲烷密度的计算程序,与NIST （美国国家标准与技术研究院）商业软件计算结果相比,误差小于0.05%。分析了0~100 MPa、270~360 K范围内甲烷密度的变化规律。结果表明,甲烷密度随压力增大而增大,在低于30 MPa时增速较大且对温度的敏感性较强,高于30 MPa时增速逐渐变缓,且敏感性减弱。在煤层原位条件下随着埋深的增大,甲烷密度随温度升高而减小,随压力增大而增大;在温度与压力共同作用下,甲烷密度呈先增速不变、近似线性增加,后增速逐渐减小、凸曲线形增加的变化规律。游离态甲烷密度受温度的影响比吸附态甲烷小,是深部煤层气资源增量的主要贡献者。研究结果为深部煤层气赋存及其潜力预测提供了基础参数。      

基于多层次感知网络的GF-2遥感影像建筑物提取

高分辨率遥感影像建筑物提取任务在城市规划、城镇化进程等领域发挥着重要作用.针对现有的深度学习提取方法存在浅层特征未得到有效利用、小目标信息容易丢失等问题,提出了一种多层次感知网络.该网络利用密集连接机制充分提取特征信息,并构建平行结构保留不同特征分辨率的空间信息,增强不同深度、尺度特征信息,减少细节特征的丢失;同时利用...     

中国北方四类典型下垫面能量分配特征及其环境影响因子研究

中国北方疆域辽阔,多种植被类型交错分布,陆面过程较为复杂.研究该区域地表能量平衡及分配过程,有助于进一步了解其生态系统的生产力及气候变化.本文使用"中国北方协同观测实验"观测资料,选取中国北方四种植被类型——高寒草甸、荒漠草地、玉米农田及半干旱草地,在深入认识地表能量分配特征的基础上,讨论了环境因子对能量分配的影响.结...     

北京市出租车OD流多尺度空间预测深度重力模型及其可解释性研究

准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量,尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例,采用深度重力模型（Deep Gravity）对不同空间尺度下的轨迹OD流进行预测。同时,引入SHAP值（SHapley Additive exPlanations）揭示不同尺度下影响OD流预测建模的重要特征。结果表明：(1)相比于重力模型和辐射模型,街道尺度下深度重力模型的OD流预测精度最高（CPC值高达0.83）,且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构,呈现出“环形散射状”特征;(2)在本研究所选各空间尺度下,对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离,O、D点周围公司企业数量、餐饮服务数量以及购物服务数量;(3)同一特征对OD流预测模型的局部影响不同于全局,如科教文化和体育休闲类POI在全局尺度下对模型影响较小,但在局部尺度下却表现出极大的影响。     

不同空间尺度的山洪灾害风险评价模型对比研究

以山洪灾害风险评价的多准则决策模型、最大熵模型、信息量模型三种常见模型为研究对象,选取河西走廊和张掖市为地理区划（大中）、市域（小）空间尺度研究区,构建山洪灾害风险评价指标体系,分别完成基于三种模型的两种空间尺度的山洪灾害风险评价制图,基于甘肃省地质灾害调查与区划报告数据从模型验证、空间自相关、精度对比和尺度效应等角度对比分析三个模型应用于不同空间尺度的适应性,并给出优选模型。结果表明：最大熵模型是河西走廊（地理区划）空间尺度上山洪灾害风险评价的优选模型;多准则决策模型不适用于张掖市（市域）空间尺度评价,且三个模型运行结果均没有河西走廊（地理区划）空间尺度上表现良好;三个模型的尺度效应明显,在地理区划空间尺度上应用较良好,缩小至市域空间尺度上模拟结果误差增大;不同空间尺度上,最大熵模型均优于多准则决策模型和信息量模型,适用于地理区划（大中）、市域（小）空间尺度的山洪灾害风险评价。