改进U-Net网络及在遥感影像道路提取中的应用

高分辨率遥感图像分割在军事、民用等领域具有良好的应用前景,但由于复杂的背景条件以及干扰物的遮挡,导致现有算法无法较好地从遥感影像中提取道路细节信息。研究基于改进U Net网络模型,提出了MDAU-Net（multi dimension attention U-Net）网络结构模型,通过对U-Net网络结构加深至七层结构来提升精细分割道路的能力;并提出了一种多维注意力模块MD-MECA（multi dimension modified efficient channel attention）,将其添加至编码部分的特征传递步骤中,以达到对编码部分的特征传递进行优化的目的;其中利用DropBlock与Batch Normalization解决网络训练过程中出现的过拟合。试验结果表明:改进后算法可以有效提升道路的提取效果,在测试集上的准确率达到了97.04%。     

基于混合网络的异源遥感图像变化检测

为了更加准确地进行异源遥感图像的变化检测任务，提出了一种基于混合网络的异源遥感图像变化检测算法。利用伪孪生网络提取异源遥感图像块间空间维度的变化特征，利用早期融合网络提取异源遥感图像块间光谱维度的变化特征，将2支网络提取的特征进行融合，并将融合后的变化特征输入到sigmoid层进行二分类检测。同时，在伪孪生网络中加入对比损失函数，通过优化对比损失函数，使得在特征空间中，未变化图像对的空间特征差异更小，变化图像对的空间特征差异更大，以提升网络的区分能力和收敛速度。      

基于MobileFaceNet网络改进的人脸识别方法

为了解决训练过程中卷积模型参数较多、收敛速度较慢的问题，提出了一种基于MobileFaceNet网络改进的人脸识别方法。首先，使用MobileFaceNet网络提取人脸特征，在提取特征的过程中，通过引入可分离卷积减少模型中卷积层参数的数量；其次，通过在MobileFaceNet网络中引入风格注意力机制来增强特征的表达，同时使用AdaCos人脸损失函数来训练模型，利用AdaCos损失函数中的自适应缩放系数，来动态地调整超参数，避免了人为设置超参数对模型的影响；最后，分别在LFW、AgeDB和CFP-FF测试数据集上对训练模型进行评估。实验结果显示:改进后的模型在LFW、AgeDB和CFP-FF测试数据集上的识别精度分别提升了0.25%、0.16%和0.3%，表明改进后的模型相较于改进前的模型在精度和鲁棒性上有所提高。      

基于随机遮挡和多粒度特征融合的行人重识别

针对行人重识别中存在遮挡及行人判别特征层次单调的问题，在IBN-Net50-a网络的基础上，提出了一种结合随机遮挡和多粒度特征融合的网络模型。通过对输入图像进行随机遮挡处理，模拟行人被遮挡的真实情景，以增强应对遮挡的鲁棒性；将网络分为全局分支、局部粗粒度互融分支和局部细粒度互融分支，提取全局显著性特征，同时补充局部多粒度深层特征，丰富行人判别特征的层次性；进一步挖掘局部多粒度特征间的相关性进行深度融合；联合标签平滑交叉熵损失和三元组损失训练网络。在3个标准公共数据集和1个遮挡数据集上，将所提方法与先进的行人重识别方法进行比较，实验结果表明：在Market1501、DukeMTMC-reID、CUHK03标准公共数据集上，所提方法的Rank-1分别达到了95.2%、89.2%、80.1%，在遮挡数据集Occluded-Duke上，所提方法的Rank-1和mAP分别达到了60.6%和51.6%，均优于对比方法，证实了方法的有效性。     

一种深度学习分割遥感影像道路的损失函数

传统的根据光谱特征或形态学算法来分割道路，存在精度低、阈值难确定等缺点，而深度学习中已有的方法并未考虑道路的特性，只是利用通用方法来分割道路。针对上述不足，提出了一种针对道路特有形态的深度学习损失函数——形态损失函数。首先使用连通性算法将预测结果划分为若干个相互分离的连通区域，分别计算这些区域的面积与外接圆面积的比值，然后取平均值作为此批训练数据的形态损失函数，最后将形态损失函数按一定的比例与交叉熵损失函数求和，得到最终的损失函数。通过在公开的遥感数据集上使用深度学习网络进行对比试验，附加了形态损失函数后平均交并比（MIoU）、准确度（ACC）及F1 Score均有提高。从预测的图形来看，附加了形态损失函数后，预测的道路更为连续。所提出的形态损失函数可用于提高光学遥感影像道路分割的精度。     

面向目标检测的双驱自适应遥感图像超分重建方法

有光学遥感图像超分重建方法主要是生成视觉上令人满意的图像,并未考虑后续目标检测任务的特殊性,不能有效地应用到目标检测中。基于此,提出了面向目标检测的双驱动自适应多尺度光学遥感图像超分重建方法,将超分重建网络和目标检测网络结合起来,进行联合优化。针对光学遥感图像的特点设计了自适应多尺度遥感图像超分重建网络,集成选择性内核网络和自适应特征门控单元来特征提取和融合,重建出初步遥感图像。通过提出的双驱动模块,将特征先验驱动损失和任务驱动损失传到超分重建网络中,提高目标检测的性能。在UCAS-AOD和NWPU VHR-10数据集上进行实验,并与5种主流方法进行比较,所提方法的峰值信噪比和平均准确率相较于FDSR方法分别提高了1.86 dB和3.73%。实验结果表明,所提方法和光学遥感图像目标检测结合可以取得更好的效果,综合性能更佳。      

特征点分段提取的时间序列模式匹配方法

常用的时间序列模式匹配方法难以平衡计算复杂度与匹配精度，针对该问题，提出了一种特征点分段提取的时间序列模式匹配方法。提取时间序列每个变量维度上的特征点，降低序列长度；将特征点序列转化为分位点矩阵，利用欧氏距离对分位点矩阵进行相似性度量；在几组时间序列数据集上对所提方法进行分类实验。结果表明：所提方法在降低计算复杂度的同时，获得了较高的匹配精度。     

遥感图像语义分割的空间增强注意力U型网络

针对基于深度学习的语义分割模型在解析遥感图像时，小尺寸目标和目标边界存在分割不准确的问题，提出一种U型网络模型SGE-Unet。该模型通过优化网络结构加强模型的特征提取能力；融合空间组增强注意力，提升模型对上下文语义信息的解析能力；采用中值频率平衡交叉熵损失函数抑制类别分布不均衡的影响。在2个数据集上进行实验，SGE-Unet的整体准确率、平均交并比、■分数和Kappa系数均高于主流模型，Vaihingen数据集中小尺寸目标车的交并比和F₁分数分别为0.719和0.901，比次优模型提升了16%和11%，实验结果表明所提模型能更精准地分割小尺寸目标及目标边界。     

基于代价敏感剪枝卷积神经网络的弹道目标识别

为降低弹道目标整体误识别代价，提出了基于代价敏感剪枝（CSP）一维卷积神经网络（1D-CNN）的弹道目标高分辨距离像识别方法。首先，基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架；然后，在此基础上，提出了基于人工蜂群算法的网络结构无梯度优化方法，以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络，即代价敏感剪枝；最后，为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标，提出了一种代价敏感交叉熵（CSCE）损失函数对训练进行优化，使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下，相比传统的1D-CNN具有更低的整体误识别代价，且降低了50%以上的计算复杂度。      

一种结合全局和局部相似性的小样本分割方法

针对小样本分割中如何提取支持图像和查询图像共性信息的问题，提出一种新的小样本分割模型，同时结合了全局相似性和局部相似性，实现了更具泛化能力的小样本分割。具体地，根据支持图像和查询图像全局特征和局部特征之间的相似性，提出了一种新型注意力谱生成器，进而实现查询图像的注意力谱生成和区域分割。所提注意力谱生成器包含2个级联模块:全局引导器和局部引导器。在全局引导器中，提出了一种新的基于指数函数的全局相似性度量，对查询图像特征和支持图像的全局特征进行关系建模，输出前景增强的查询图像特征。在局部引导器中，通过引入局部关系矩阵对支持图像特征和查询图像特征之间的局部相似性进行建模，得到与类别无关的注意力谱。在Pascal-5i数据集上做了大量的实验，在1-shot设定下mIoU达到了59.9%，5-shot设定下mIoU达到了61.9%，均优于现有方法。      

基于流的遥感图像超分辨率重建

为了提高遥感图像超分辨率重建的质量，提出了一种基于流的遥感图像重建算法。首先，在Glow模型的基础上引入改进后的RRDB架构用于低分辨率图像特征提取，通过构建更多层和连接以提升训练的稳定性。然后，以一种纯数据驱动的流模型来训练分布的参数，通过最大化负的对数似然的方法进行优化，得到该算法的损失函数。实验证明该模型在网络训练过程中能够快速达到稳定收敛的状态，且具有很强的泛化能力。用重建出的图像质量对比SRCNN、SRGAN、ESRGAN，经过测试后发现，提出的算法远远优于SRCNN算法，与其他算法相比也有明显优势。重建出的图像不仅在指标上有所提升，例如与SRCNN相比，PSRN和SSIM分别提升了15%和40%，且人眼观察时有更高的清晰度，高频细节更为丰富。     

最优特征选择下多层次分割的城市道路提取

针对道路提取过程中特征维数过高的问题,提出了一种基于ReliefF过滤式和Wrapper封装式的特征选择方法.将粒子群优化算法(PSO)作为Wrapper的搜索算法,优化过的随机森林算法(OPRF)作为Wrapper的分类器构成PSO_OPRF封装式子集评估器,对ReliefF预选后的特征子集进行评估,降低特征维度,选...     

基于信息隐藏的遥感图像分块压缩

目前JPEG2000等图像压缩方法受制于压缩倍数的限制,无法满足用户对海量遥感数据的实时传输要求,需要进一步减少高分辨率遥感图像产生的数据量,以满足遥感图像数据的空间传输要求。针对此情况提出了一种基于信息隐藏的遥感图像分块压缩方法,利用图像块的相似性判决出基准图像块和相似图像块,将相似图像块的编号隐藏在基准图像块中,只对基准图像块进行JPEG2000压缩。采用标准图像库作为样本图像进行仿真,结果表明,该方法将样本图像压缩前的数据量减少1/3,同时将该样本图像的压缩比提高1.5倍。     

一种新的遥感影像清晰度评价方法

针对传统清晰度评价算法很难准确评价遥感卫星影像清晰度的问题,结合工程应用及遥感影像特点提出了一种新的遥感图像清晰度评价算法--自检测灰度梯度函数清晰度评价算法。把评价过程分为目标区域检测和清晰度特征参量提取,为解决遥感影像数据量大且景物密度与分布特点各异的问题,首先通过检测算子对一幅遥感影像中各区域进行检测来得到景物丰富且边缘明显的目标区域,然后再对目标区域进行灰度预处理并提取目标区域的边缘灰度梯度来评价清晰度。通过三组不同类型影像对该算法进行验证,分别为遥感相机在轨离焦仿真影像和噪声仿真影像,以及在轨型号遥感卫星影像,对比几种传统典型清晰度评价算法和自检测灰度梯度函数的评价效能,结果表明：文中方法满足遥感影像清晰度评价的基本要求,解决了传统算法无法横向比较不同遥感相机影像及不同大小影像清晰度的问题,是一种适合卫星遥感影像清晰度评价的方法。     

基于失真敏感性的可见光遥感图像压缩补偿

可见光遥感图像纹理细节丰富且分布情况复杂,高倍压缩后容易出现失真不均衡现象。现有研究并不针对图像的主观品质且易出现错补偿问题。为此,设计了基于失真敏感性的可见光遥感图像压缩补偿方法。通过对比结构相似度模型各函数对遥感压缩失真的评价效果,构造了压缩失真敏感性模型,在此基础上深入分析了不同程度的数据损失对恢复像质的影响,设计了基于失真敏感性的压缩补偿策略,在压缩编码端确定失真敏感区域并量化回传失真影响明显的数据,补偿于解码端恢复图像中。结果表明,该方法能有效提高恢复图像失真敏感区域内遥感目标的清晰程度和可判读性,降低恢复图像的失真不均衡程度,改善恢复图像的整体质量。