大面积水深异常检测的条件变化自编码算法

针对大面积海底地形数据缺失或异常的复杂及多变性特点,结合条件变分自编码器(CVAE)与深度卷积生成对抗网络(DCGAN),构建了条件变分自编码生成对抗网络(CVAE-GAN)大面积海底伪地形的检测与剔除方法。本文方法利用条件变分自编码算法改变原有的样本分布,通过对训练样本的学习重新构建样本之间的分布规律,有效提高了高维到低维映射的稳定性;结合生成对抗网络,提高了整体算法的稳健性,最终得到较优的检测与剔除结果。采用水深格网数据进行试验,并与中值滤波法、趋势面滤波法进行比较。结果表明,本文方法在精度、稳定性及噪声稳健性方面有所提高,验证了本文方法在海底地形数据处理上具有可行性。     

基于生成对抗网络的声呐图像超分辨率算法

由于受到复杂水声信道影响,侧扫声呐生成图像一般存在分辨率低、细节模糊等问题,这给基于侧扫声呐图像的小目标检测与识别过程带来了一定难度。常见的图像超分辨率处理算法大致可以分为插值算法、稀疏表示的重建算法等。传统插值算法存在图像边缘模糊、细节不清楚的问题,因此提出了一种改进型超分辨率生成对抗网络（SRGAN）结构。该结构可在保留图像中的小目标细节的基础上提升细节特征显示度,并且可使目标边缘更加清晰,可为后续的小目标检测和识别在一定程度上提供技术支持。     

卫星导航欺骗干扰技术研究进展

在卫星导航应用越来越重视对抗与防护的背景下,梳理了卫星导航欺骗干扰技术的发展现状。讨论了欺骗干扰的原理和分类,介绍了欺骗干扰对接收机的影响、转发式欺骗干扰定位模型、新型渐变自同步欺骗干扰三个方向的研究进展,最后展望了卫星导航欺骗干扰技术下一步的发展方向。     

车辆轨迹数据的道路学习提取法

车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。     

GPS导航对抗策略与技术分析

阐述了导航对抗的基本概念和要素，分析了导航对抗中的主要攻防策略，研究了用于导航对抗的干扰及抗干扰技术，总结了GPS为增强系统安全性所进行的改进和完善的主要方面，并介绍了一些适合应用的导航对抗技术手段。     

基于Sentinel-2卫星遥感影像的去云方法研究

在光学遥感卫星图像中,云是普遍存在的现象,它严重降低了图像的质量,因此,去云处理就是一个必不可少的步骤.深度神经网络在许多图像处理任务中取得了成功,但是利用该方法针对遥感图像的去云研究较少.本文采用GAN来解决遥感图像去云问题,首先训练生成模型生成无云影像,同时训练判别模型使生成的模型更加真实和清晰,最终达到从被云覆盖的卫星图像中恢复并增强这些区域的信息,生成质量更好的无云图像的目的.基于人工智能标注的Sentinel-2卫星遥感影像数据集的试验表明,与传统的小波变换基准相比,提出的生成对抗网络模型在去云处理方面效果有明显提升.     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

基于U型网络的X线头影图像特征点自动定位

为了提高口腔临床诊断效率,提出一种基于U型生成对抗网络的X线头影测量图像结构特征点自动定位方法。该方法在生成对抗网络框架下构建U型生成器网络,用于学习从当前图像到目标特征点偏移距离图的映射;再构建鉴别器网络以判断预测的偏移距离图是否与真实数据一致。将新采集的X线头影测量图像作为已训练的U型生成器网络输入,得到新图像针对目标特征点的偏移距离图,然后通过回归投票方法从预测出的偏移距离图中获得检测目标特征点坐标。实验结果表明,该方法相较于其他方法具有更高的检测成功率,能较准确地获得X线头影测量图像中结构特征点的位置。      

结构增强型生成对抗网络SAR图像超分辨率重建

针对利用生成对抗网络模型(Generative Adversarial Network,GAN)重建SAR(Synthetic Aperture Radar)图像存在边缘细节信息不足和“伪影”(artifacts)现象,该文基于增强型超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN)光学模型,重新设计生成网络上采样重建模块和结构损失函数,提出一种结构增强型生成对抗网络SAR图像超分辨率重建算法,包括特征提取、特征增强和上采样重建3个模块:在特征提取模块采用小尺度卷积层对输入SAR图像进行低层次特征提取;在特征增强模块采用多个级联残差密集块(Residual-in-Residual Dense Block,RRDB)和卷积层提取输入特征;在上采样重建模块交替使用最近邻插值(Nearest Neighbor Interpolation,NNI)和亚像素卷积(Sub-Pixel Convolution,SPC)对特征进行放大重建,使特征信息交互融合。与传统插值算法和经典深度学习重建算法相比,该算法在视觉效果和定量评价方面均有显著提升,能够在保持原网络模型重建图像内容信息不丢失的基础上,增强重建图像边缘细节信息和减缓“伪影”现象,有利于后续目标识别和灾害监测等工作开展。     

基于开源数据和条件生成对抗网络的地形重建方法

如何使用少量的地形特征复原地形地貌一直为地学领域的难题。本文使用开源数据集提取地形特征要素,使用地形特征要素作为约束条件构建了用于生成DEM的条件生成对抗网络(Conditional Generative Adversarial Networks, CGAN),设计了基于开源DEM、开源DEM与遥感影像组合、以及5m高精度DEM提取地形特征要素生成DEM的对比实验,并对结果进行视觉效果、相关性分析以及地形因子的对比与评价。结果表明:(1)在视觉效果上,3种不同方式生成的DEM在视觉效果上均十分逼近原始5 m DEM,都远好于传统插值方法生成DEM,基于开源12.5m DEM提取要素和1m遥感影像的重建效果最接近于原始5 m DEM;(2)在相关性上,三种不同方式生成的DEM与原始5m DEM相关性均能达到0.75以上,组合开源数据提取要素重建DEM与原始5 m DEM相关性可达到0.85以上;(3)在地形因子方面,基于开源12.5 m DEM和1 m遥感影像提取要素重建DEM的坡度和坡向的分布趋势与原始5 m DEM最为一致。本文为高精度DEM建模提供了新的思路,在高精度DEM难以获取...