市县国土资源部门如何实践科学发展观

9月5日,中共中央政治局召开会议,决定从今年9月开始,用一年半左右时间,在全党分批开展深入学习实践科学发展观活动.9月24日,国土资源部召开会议,传达学习全党深入学习实践科学发展观活动动员大会暨省部级主要领导干部专题研讨班精神,就进一步深入开展学习实践活动、巩固和扩大学习实践活动成果作出部署.笔者认为,这次学习实践科学发展观活动,对我们市县国土资源部门来说,是一次机遇,也是一次挑战.如何认识学习实践科学发展观活动的重要性、必要性和紧迫性,笔者认为应从以下四个方面把握.     

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Mobile Net V2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。     

仿蝠鲼航行器游动规律智能控制与优化方法

固化的游动策略导致仿生航行器难以在变化的水下环境中保持高效率运动,以仿蝠鲼航行器为研究对象,提出了基于深度强化学习的仿生航行器胸鳍摆动智能控制方法,实现了航行器对高效摆动规律的自适应控制和优化。仿真示例表明：与初始给定的游动策略相比,优化后的游动策略在航行速度上提升了 14.46%,在游动能效上提升了 24.48%,从而验证了该方法在仿生航行器游动规律自适应控制与优化设计中的有效性。     

最小割与深度学习联合优化的室内粘连点云分割方法

随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。     

深度学习支持下的地图图片典型地理目标检测

针对地图图片中典型地理目标识别问题,本文首先介绍了两种基于深度学习的目标检测方法(YOLO网络和采用focal loss替换交叉熵损失函数的RetinaNet网络),然后将地图图片分别输入两种神经网络模型中进行训练和测试,最后对目标检测结果进行对比分析。结果表明,RetinaNet网络模型对地图图片进行目标检测的准确率有明显提高,且运行速度依然可达秒级。该地理目标检测方法的高准确度与高效性可在地图审查时节约大量人力、时间成本,为地图内容智能理解及互联网地图监管提供了新的技术参考。     

基于YOLOv3深度学习的海雾气象条件下海上船只实时检测

海雾气象条件下船只高精度检测识别面临较大困难,传统的目标识别、定位方法效果差强人意。作者围绕海雾气象条件下不同类型船只的实时检测问题,提出一种基于YOLOv3深度学习的实时海上船只检测新思路。首先构建清晰图片和模糊图片(海雾、雨)的判别方法,实现图片清晰度分类处理;其次为提高海雾气象条件下海上船只的实时检测精度,消除海雾遮挡对目标识别的影响,运用暗通道先验去雾方法对含有海雾的图像实行去雾;最后基于YOLOv3深度学习算法对精细处理后的图像进行船只实时检测。实验结果表明该方法能够在海雾气象条件下高效、准确地检测到船只,对海上复杂环境条件下的船只实时检测研究具有一定的理论指导意义。     

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。     

生成模型学习的遥感影像半监督分类

以生成模型最大似然估计为例,引入结合已标记样本和未标记样本的半监督分类方法来解决遥感影像分类中的小样本问题,应用已有的少量已标记样本初始化一个分类器,结合大量未标记样本,通过递归计算的方式对分类器进行优化,直到包含所有样本的似然函数收敛到局部极大值。通过分析遥感影像待分类类别与影像中地物类型固有特征之间的关系,设计两个在不同生成模型假设下的分类实验。结果表明,未标记样本的参与可在很大程度上提高小样本条件下的影像分类精度,但两种样本的数量应保持一个适当的比例。最后通过与在解决小样本分类问题方面有独特优势的SVM方法的分类比较,发现在小样本情况下,本文方法具有更好的应用潜力。