基于深度学习的SSD模型尾矿库自动提取

针对华北地区尾矿库自动提取问题，将基于深度学习的SSD目标检测模型应用于遥感图像尾矿库提取。首先标记华北地区2 000个样本，随机挑选1 500个作为训练样本，剩余样本作为测试样本，验证模型的检测精度。分析卷积层对应感受野与图像中尾矿库尺寸关系，发现原始SSD模型漏检误检大型尾矿库。改进SSD模型结构，提出增加额外卷积层的策略，提高对大型尾矿库目标的检测精度。实验表明，在置信度阈值为0.3时，改进的SSD模型相比原始模型，检测精确率提高10.0%，召回率提高14.4%，提高了大型尾矿库检测精度。验证了基于深度学习的SSD目标检测模型自动提取尾矿库的可行性以及改进算法的有效性。     

基于FD-RCF的高分辨率遥感影像耕地边缘检测

针对建立和更新田间图形数据库时，以高分辨率遥感影像为底图人工勾绘地块耗时费力这一问题，探索从边缘检测的角度实现对地块边缘的自动提取。在构建耕地地块边缘遥感影像数据集工作中，尝试深度学习边缘检测模型holistically-nested edge detection（HED）和richer convolutional features（RCF）的基础上，进一步改变模型特征融合方式，并采用空洞卷积结构，提出构建应用于遥感影像的边缘检测模型full dilated-RCF（FD-RCF），提取耕地地块边缘。实验表明，相关方法的精度评定F₁值均能达到0.8以上。构建的FD-RCF模型表现最佳，其检测结果在ODS和OIS精度评定中F₁值分别达到0.848 1和0.850 2，平均精度0.795 7。比较而言，FD-RCF方法检测结果画面更加清晰，能够显著提高田间地形数据的更新效率。     

高分辨率遥感影像在城市LUCC中的应用

高分辨率遥感影像具有高空间分辨率、高清晰度、信息量丰富等优点,它的出现极大提高了遥感在城市土地利用/覆被变化研究中的应用能力.城市土地利用类型的准确分类是城市土地利用/覆被变化研究的重要前提,高分辨遥感影像凭借其自身优势成为最重要的数据源.本研究从高分辨率遥感影像的发展与特点、分类方法及其在城市专题信息提取中的应用3个方面进行综述,重点回顾高分辨率遥感影像用于城市土地利用分类的代表性方法及其在城市系统中提取建筑物、道路和绿地等专题信息的方法和应用进展,最后指出高分辨遥感影像在城市土地利用/覆被变化研究中的不足以及未来需要解决的问题.     

基于负样本多通道优化SSD网络的钢铁厂提取

准确提取钢铁厂对去产能监测和环境保护具有重要意义。传统的人工目视解译方法效率低、成本高，无法满足开展大区域钢铁厂监测的需求。以深度学习目标检测网络SSD为基础，构建面向遥感影像钢铁厂提取的深度学习目标检测网络，提出maxout模块，将负样本通路优化为多分支结构，突出难分负样本特征并提升网络对无用特征的抵制效果。利用国产GF-1数据对京津冀地区的钢铁厂进行快速自动提取实验。与人工解译的钢铁厂点位数据的对比表明，该目标检测方法的提取精度达到80%以上。     

利用面向对象分类技术的大尺度土地覆被调查方法

以HJ-CCD为实验数据,采用面向对象分类技术,对地形复杂、类型多样的湖南省进行土地覆盖类型的自动提取.着重研究在大尺度上的土地覆被调查中应用HJA/B遥感影像和面向对象技术获取土地覆被信息的一整套技术方法.将多尺度分割、邻域推移分类法以及野外调查、专家知识有机结合起来,并用野外采样点进行精度检验.湖南省土地覆被调查结果的总体精度84.99%,Kappa系数为82.79%.结果证明了以HJ-CCD影像为遥感数据源,利用面向对象技术进行大尺度的土地覆被调查的可行性和有效性.     

一种联合光谱-对象-时间特征的遥感影像变化检测方法

针对在遥感大数据时代背景下,传统变化检测方法的精度和自动化程度难以满足实际应用需求,提出一种联合光谱特征、对象特征和时间特征的遥感影像变化检测方法.在提取遥感影像多种特征的基础上,利用双向长短期记忆网络,提取光谱-对象-时间特征,实现双时相影像变化信息的有效提取.基于双时相中分辨率遥感影像的实验结果表明:本方法的总体精...     

勺型网络：用于Landsat遥感图像云检测的新型网络

针对目前用于遥感图像云检测的神经网络模型存在光谱信息未能充分利用而导致的细节信息易损失、碎云漏检率大、计算复杂等不足,提出一种新型且轻量的网络,称为勺型网络（spoon-net,S-Net）,应用于Landsat遥感图像的云检测。S-Net分为2个阶段,第1阶段,使用1×1的卷积核提取图像光谱特征,避免图像细节被模糊;第2阶段,使用encoder-decoder框架提取图像空间特征,并引入分组卷积,对第1阶段提取的每一层光谱通道单独进行卷积,保持光谱特征并减少模型参数。模型在Landsat8 biome数据训练测试并评估,结果表明模型在内存与时间上具有较大优势,并达到95%的准确率。     

利用高空间分辨率遥感影像提取城市绿地信息的方法研究

本研究基于多种遥感提取算法对高空间分辨率IKONOS遥感影像进行城市绿地信息提取,在此基础上,结合实地验证数据分别对各算法信息提取精度进行评价,最后对高空间分辨率遥感信息自动提取算法进行分析讨论。     

一种结合局部与半全局几何保持的影像匹配算法

遥感影像匹配是众多遥感应用中数据处理的关键前置步骤,但高程差导致的影像局部畸变和影像匹配的复杂性严重限制了高分辨率影像的匹配精度。提出一种适用于局部畸变和高外点比例的鲁棒匹配算法,首先利用Delaunay剖分算法在假定匹配点集上施加几何约束,得到特征点局部邻接关系;然后基于邻接信息进行预过滤;采用多尺度的策略建立局部邻接关系一致约束模型;最后定义三角形相似度函数实现匹配恢复。利用3组高分辨率影像开展对比实验,实验结果表明该算法的平均精度比RANSAC提高7.69%,在外点率高于90%时仍旧稳健。     

L4进程间通信机制的模型检测方法

采用模型检测方法验证微内核操作系统的进程间通信机制,提出了一种从源码提取验证模型的方法.该方法以L4操作系统的进程间通信机制的C++源码实现为检验对象,从源码实现直接提取形式化模型,得到Promela语言的模型描述,可以直接应用模型检测器Spin对其进行正确性检测.实验表明了该方法的可行性和实用性.     

基于稠密卷积神经网络的遥感图像自动色彩校正

对于单幅遥感光学图像，目前已经有很多有效的色彩校正算法，但是这些算法需要人工经验或对场景的先验知识，无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题，提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN（dense convolutional networks）。该模型可以预测遥感图像的RGB通道的颜色校正系数K，从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层，用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到，损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证，校正后的图像与原图像仅有很小的色偏角，且与真实地物颜色吻合。与传统方法相比，该方法在训练后，可直接使用生成的模型对训练集中未出现的图像进行颜色校正，无需对场景的先验知识和人工经验，也无需参考图像，可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN（convolutional neural networks）相比，基于DCN的模型拥有更少的参数和更好的泛化能力，而且不受输入图像大小的限制，在测试集上有更好的结果。     

基于深度学习的多尺度导弹发射井目标检测

导弹发射井是重要的遥感目标,发射井目标检测的研究对国防事业意义重大。在数据层面,由于发射井样本数量少,目前没有可用于其目标检测的有效数据集,构建有效的数据集对相关领域研究有极大价值。在算法层面,遥感图像分辨率的不同导致发射井目标呈现多尺度的特性,这是解决发射井目标检测问题的难点之一。基于以上分析,首先利用Google Earth构建首个发射井目标检测的数据集,然后针对发射井目标检测任务设计有效的检测模型。本文的模型充分融合了目标的多尺度特征和上下文的信息,并通过级联网络多阶段检测目标,有效检测出多尺度导弹发射井目标,检测效果优于目前主流的算法。     

基于卷积注意力和胶囊网络的 SAR少样本目标识别方法

合成孔径雷达( SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。     

结合质量控制的震后房屋倒塌众包评估模型

在遥感灾害评估领域，众包可用于集合网络大众的智慧完成灾情评估任务，但在现实的众包平台中存在着工作者的答案质量不够可靠的问题。提出一种新型的结合质量控制的震后房屋倒塌众包评估模型。以玉树地震为例搭建众包平台，对收集到的数据，首先使用黄金数据和一致性检验方法过滤掉低质量的数据，随后根据提出的房屋倒塌众包模型得到可靠的灾情解译结果。实验结果显示，质量控制前后，试验区房屋倒塌评估精度分别为70.59%和85.29%，表明本文提出的评估模型有效地提高了众包灾情解译的准确度，可在震后初期提供可信度较高的遥感目视解译结果。     

基于仿真SAR图像深度迁移学习的自动目标识别

使用深度卷积神经网络实现SAR图像的自动目标识别在训练过程中需要大量的标注数据。为解决由SAR实测数据获取成本高、标注数据量不足带来的问题，提出一种在由CReLU激活函数和批归一化改进的卷积神经网络上，使用仿真SAR图像提升最终目标识别性能的方法，把从大量仿真SAR图像学习到的有效知识迁移到实测SAR图像数据上。在训练中，先用仿真SAR图像预训练卷积神经网络，结合迁移学习的方法，有效地解决由SAR图像数据不足带来的过拟合问题。在MSTAR数据集上验证方法的有效性，识别准确率提高到99.78%，并在少量SAR图像样本数据上也取得不错的识别效果。     

基于改进的YOLOv3和Facenet的无人机影像人脸识别

基于无人机影像的高精度人脸识别在应急救援、嫌疑人员跟踪等场景中发挥着重要作用。深度学习卷积神经网络以其较高的精度和较少的人为干扰被广泛应用于目标检测识别领域,能很好地应用于无人机影像人脸识别任务中。探究在无人机嫌疑人员识别应用场景下利用卷积网络进行人脸高精度识别,用改进后的YOLOv3(you only look once)进行无人机影像的人脸检测,将得到的预测框对齐后输入到经典的Facenet人脸识别网络中进行目标身份的判定。实验对比了改进后的YOLOv3、原始YOLOv3和MTCNN(multi-task convolutional neural network)的检测效果以及结合Facenet进行人脸识别的效果。结果表明：1)改进后的YOLOv3相对于原始YOLOv3不仅精度和召回率得到提升,而且模型参数量有所减少,无人机影像的漏检和错检现象也轻于原始YOLOv3;此外,改进后的YOLOv3相对MTCNN的AP(average precision)提升9.49%,检测速度也约是MTCNN的3倍;2)改进后的YOLOv3+Facenet相对于原始YOLOv3+Facenet及MTCNN+Facenet对人脸的区分能力更强,精度更高,对遮挡以及模糊的鲁棒性也更强。     

基于生成对抗网络的半监督遥感图像飞机检测

遥感图像上的飞机目标检测是一件极富挑战性的工作，吸引了广大研究者的兴趣。基于人工神经网络的方法是当前遥感图像飞机目标检测的主流方法，这类方法要求人工标记大量的数据用于训练。对训练图像的人工标注工作费时费力，是制约有效利用大规模数据的主要瓶颈之一。为解决这个问题，提出一种基于生成对抗网络（generative adversarial networks，GAN）的半监督检测方法。在遥感图像飞机目标检测中，该方法不需要标记全部用于训练的图像，只需要标记其中一小部分样本，再和大量未标记数据一起进行训练便能取得优异的检测结果。该方法结合传统的检测网络和基于GAN的半监督学习网络。在对抗训练过程中，生成器学习数据分布并生成假样本，判别器判别真假样本，同时判别器还需要从标记数据中学习类别信息。最后，判别器学习到的决策分类面不仅仅区分出标记数据，而且平行于数据分布的边界。实验证明，在存在大量可供训练的图像的基础上，减少标注数据的比例，全监督学习方法性能会大幅下降；而本文提出的半监督学习方法，由于利用了未标注的数据，能保持更好的检测性能。