我们是如何加强作风纪律建设提升保障能力的

近年来,卫辉市国土资源局以科学发展观统领国土资源工作全局,以"讲正气,树新风"主题教育活动为契机,以加强思想、作风、纪律和组织建设为保障,创造性地抓重点、攻难点、拨亮点,工作卓有成效.     

学习贯彻十七大精神 扎实推进地质勘查工作

一、结合实际,深刻领会十七大精神 党的十七大报告提出的新任务、新要求很多，这就要求地质勘查工作必须建立一套完善的、系统的、有序的工作运行机制，节流开源，提供资源保障，促进和谐发展。在今后学习贯彻十七大精神过程中，一要深入搞好调研工作。二要扎实推进地勘工作。继续加大基础性、公益性地质工作，提高地质工作综合研究水平，引导和拉动商业性矿产勘查，实现矿业大省向矿业强省的跨跃。     

节约集约用地促进科学发展 为龙江全面振兴提供持续有力的资源保障——纪念第十七个全国“土地日”

今年6月25日是第十七个全国“土地日”。宣传主题是“节约集约用地、坚守耕地红线”。在这样一个特别值得纪念的日子里，作为一名国土资源工作者，深刻领悟这一主题的深刻内涵，心中倍感亲切，油然而生一种神圣的使命感和责任感。     

认真学习贯彻十七大精神 做好企业监督工作

企业监督处在集中学习党的十七大报告、《党章》及相关专题报告的基础上，结合实际，重点讨论和分析了企业监督工作存在的问题和不足，研究工作改进方向和措施。     

扶绥:五项措施整治庸懒散奢

2015年初,广西扶绥县国土资源局采取强有力措施,全力推进整治庸懒散奢专项活动,该局干部职工工作状态和精神面貌得到明显提高。一是召开动员会,对广大干部职工进行动员,要求每位职工要高度重视此次整治活动,把思想统一到作风建设上来,确保活动取得实效。二是加强集中学习,认真学习崇左市和扶绥县有关开展整治庸懒散奢专项行动的精神,并结合实际,学习广西国     

基于高清工业相机的盾构隧道裂缝智能识别算法分析

裂缝一直是隧道病害的重点检测对象,但传统人工巡检仅能通过肉眼发现后记录,人工识别精准度与效率完全取决于个人经验判断,无信息化手段辅助,作业效率识别精度亟待提升。针对以上问题,本文借助高清工业相机成像分辨率高、采集速度快等特点,将高清工业相机部署于轨道车上获取隧道表面裂缝病害信息,大幅提高了隧道裂缝识别效率,将识别精度提升至0.2 mm,同时融入优化的Cascade R-CNN算法,在有监督情况下训练隧道裂缝样本,最终实现了隧道裂缝病害的高效提取,同时研发了一套包含硬件数据采集、数据处理软件、数据管理平台的裂缝病害识别路线,真正意义上破除了识别慢、精度低、靠经验、难管理的技术壁垒。     

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.     

基于主题模型的地理环境时空数据隐含语义理解

文本是战场信息的重要数据模态,从中挖掘地理环境时空语义信息是机器理解战场环境的重要方法,有助于扩展战场环境的空间认知与理解.本文设计一种基于主题模型,反映地理时空因素与事件主题之间语义关系的计算方法,通过信息抽取,挖掘主题要素相关信息,形成不同主题分类及其对应的特征词汇分布;将事件主题与地理时空语义特征建立联合分布模型,自动发现时间、空间与事件主题之间的相关性,从而生成地理时空隐含的语义主题.通过试验验证并结合应用实践,得到如下结论:利用事件主题与位置信息的关联,并应用空间分析方法探寻不同主题的时空分布规律,可为新事件的位置预测及趋利避害对策制定提供基础,从而拓展传统的地理事件主题分析.     

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。