排序方式: 共有4条查询结果,搜索用时 515 毫秒
1
1.
2.
针对利用起讫点数据研究出行特征导致时间与空间维度割裂的问题,该文提出了一种出行模式分析方法.基于海口市滴滴出行2017年5-10月的1 200余万个订单数据,利用以鲁棒局部加权回归作为平滑方法的时间序列分解方法(STL)开展时间趋势分析.基于整体趋势,将海口市划分为1 km×1 km的网格,引入经验正交函数分解法(EOF),将海口市居民的出行时间序列分解为空间模态和时间系数两部分,以探讨居民出行规律.结果显示,在研究时段内,研究区内的出行量整体呈上升趋势;出行模式具有很强的周期性;居民出行的时空模式在工作 日与周末存在差异.该文深入分析居民的出行模式,可为优化交通资源配置等提供科学依据. 相似文献
3.
针对倾斜影像畸变大的现象,提出一种适用于倾斜立体影像匹配的方法。首先采用基于SIFT算法的匹配点对消除影像间的射影失真;然后提取Shi-Tomasi特征并采用多窗口的归一化互相关系数(NCC)计算相似性测度,获得稳定的匹配点对;最后使用两组倾斜影像将该算法同SIFT算法和ASIFT算法进行综合对比分析。实验结果表明,所提算法在正确匹配点对数量、匹配点对分布及匹配精度上均优于其他两种算法。 相似文献
4.
飞机类型检测是遥感影像分析领域的研究热点,在机场监控和情报分析等应用中起着重要的作用。其中,深度学习方法作为遥感影像分析领域广泛应用的手段之一,在飞机类型检测任务中仍面临许多问题,如使用未公开的自制数据集、实验复现困难、无法验证泛化能力等。同时,光学遥感影像易受光照条件、云雨变化等因素影响,使检测任务更加困难。为了解决这些问题,本文首先利用MTARSI数据集对样本进行筛选,再结合Google Earth等开源方法收集飞机影像,采用随机旋转、改变亮度等方法构建新的飞机类型检测数据集。其次,采用YOLOv5作为基础网络框架,针对其多层卷积和池化操作可能会削弱或完全丢失飞机特征的问题,进行多尺度优化训练,有效检测飞机类型特征。最后,利用跨数据集验证模型的泛化能力。实验结果表明,本文方法能准确、有效地检测出光学遥感影像中的飞机的具体类型,具有较强的鲁棒性和泛化能力,跨数据集进行飞机类型检测正确率达到82.12%,可为智能化的飞机目标语义分析、星上应用等研究提供技术支撑。 相似文献
1