融合空洞空间金字塔池化和注意力的轻量化遥感影像道路提取

针对高分辨率遥感影像中道路形状结构错综复杂,出现窄小型道路提取错误或漏分的问题,提出一种基于空洞空间金字塔池化和注意力机制的轻量化遥感影像道路提取方法。首先,在原始高分辨率网络（HRNet）基础上,通过引入空洞空间金字塔池化模块,实现多尺度道路信息融合;再引入挤压激励通道注意力机制,增强网络特征表征质量;最后使用深度可分离卷积方法改进网络残差模块实现模型轻量化,以降低模型计算复杂度。在公开数据集上进行了模型性能测试,实验结果表明,文章所提算法的准确率、精确率、召回率、F1分数和平均交并比,相比原始HRNet分别提升了5.35%、2.15%、4.1%、3.15%和14.34%,且减少了36.1%的参数数量;相比其他网络,该算法突出了细小道路的特征,道路预测结果连续性、完整性好,并且模型小易于部署在实时检测设备中,有效改善了道路提取任务中错分和缺失的情况,是一种适应性更强、分割精度更高、更轻量化的多尺度道路提取算法。     

融合ASPP与双注意力机制的建筑物提取模型

精准高效地从高分辨率遥感影像中提取建筑物信息对国土规划和地图制图意义重大,近年来基于卷积神经网络进行建筑物信息提取已经取得了很大的进展,然而在处理高分辨率遥感影像时仍存在影像的高级语义特征利用不够充分,难以获得细节丰富高精度分割影像的问题。文章针对以上问题提出了一种用于建筑物自动提取的深度学习网络结构空洞空间与通道感知网络(Atrous Space and Channel Perception Network,ASCP-Net）。该模型将空洞空间金子塔池化（Atrous Spatial Pyramid Pooling, ASPP）和空间与通道注意力（Spatial and Channel Attention, SCA）模块融入到编码器-解码器结构中,通过ASPP模块来捕获和聚合多尺度上下文信息,采用SCA模块选择性增强特定位置和通道中更有用的信息,并将高低层特征信息输入解码网络完成建筑物信息的高效提取。在WHU建筑数据集（WHU Building Dataset）上进行实验,结果表明：文章提出的方法总体精度和F1评分分别达到了97.4%和94.6%,相比其他模型能够获得更清晰的建筑物边...     

基于双时相遥感影像差异信息的深度学习滑坡检测

目前利用高分辨率卫星影像进行滑坡等地质灾害识别逐渐成为研究热点,滑坡目视解译依赖于解译人员的经验,耗时费力且提取精度低,而传统的滑坡自动识别方法易将滑坡和道路、裸地、建筑等多种具有相似光谱信息的地物混淆。针对以上问题,文章使用一种双时相高分辨率卫星影像差异信息的深度学习滑坡检测算法,获取时序影像各个波段和归一化植被指数（Normalized Difference Vegetation Index,NDVI）的差异影像作为深度学习的输入特征。为充分挖掘滑坡前后影像多种信息差异特征,采用了U-net网络模型耦合空洞空间金字塔池化和嵌入注意力机制模块相结合进行滑坡特征提取的方法,该方法增强了滑坡边界信息的保存,能够有效地提取滑坡边界信息和发生剧烈变化的区域。利用上述方法对恩施市和九寨沟进行了滑坡检测,实验结果显示,所取得的综合评价指标值（F1-Score）分别为88.4%和90.53%,误差较小、精度较高。表明该方法能够准确检测出高分卫星数据的滑坡边界,且能保持滑坡的完整性。     

遥感影像建筑物提取多尺度特征深度学习网络

语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域。但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物。针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络（Multi-scale building extraction network,Msb-Net）,该网络包括编码器、解码器以及多尺度特征组合三部分。首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果。文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了1.71%和1.88%。通过结果对比可以得出结论：相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物。     

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加，复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题，本文针对未知无线电信号的特征提取任务，设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取，再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合，提高对目标信号的分类精度。通过RML2016.04C调制信号数据集，验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时，混合网络模型对多种不同调制信号的分类精度大于95%。因此，本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。     

基于堆栈自编码网络的铣刀磨损特征提取方法

针对传统切削数据人工提取的特征主观性和盲目性强、特征提取过程耗时且提取质量难以保证等问题,提出一种基于堆栈自编码网络(SAE)的切削信号数据特征提取方法,构建了由3个自动编码器(AE)组成的SAE网络。前一个AE无监督训练后得到隐藏层特征,作为下一个AE的输入,最后整体利用反向传播算法进行有监督微调,从而得到更优的特征表达。从基于SAE的数据重构性能分析和加工信号特征主成分分析2个层面,对切削信号特征提取的优劣进行评估。实例验证说明,相比于传统手工提取特征的方法,所提方法在压缩信号的特征提取方面表现出明显的优势,进一步说明了SAE特征提取的有效性。     

一种卷积神经网络非合作目标姿态测量方法

针对空间非合作目标姿态测量问题,提出一种基于卷积神经网络的非合作目标姿态视觉测量方法。该方法先设计特征提取网络并利用公开数据集进行预训练,用少量实际目标图像进行迁移学习,实现非合作目标图像高层抽象特征的自动提取;再设计基于回归模型的姿态映射网络,建立图像高层特征与三轴姿态角之间的非线性关系,实现非合作目标的姿态测量。实验验证了两类特征提取网络测量精度和参数量大小,测量精度可达 0.711° (1σ),表明了“单目相机+卷积神经网络”方法的可行性。     

基于改进Unet++的丘陵地区耕地地块深度分割与提取

丘陵地区耕地地块具有结构复杂、种植类型多样且破碎度高等特点,针对传统分类方法对耕地信息难以快速准确提取的问题,文章基于“高分一号”卫星影像和Unet++网络模型,采用余弦退火学习率实现了复杂丘陵地区耕地信息的准确深度分割和分类。首先利用多尺度分割方法完成了深度迁移学习模型中典型区域耕地样本标签的制作及其结果验证;其次,采用规则格网裁切方法构建影像和标签训练数据集,在PyTorch环境完成了模型的训练;最后,将改进后模型与Unet和SVM方法进行了分类精度和泛化性能的对比分析。结果表明：改进的Unet++网络模型在复杂丘陵地区耕地提取结果的总体精度为92.75%,比SVM和Unet的提取精度分别提高了9.06%和2.50%。因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像中学习到更强的语义特征,从而获得更加准确的耕地信息。该方法可为农作物面积监测和产量估算等实际应用提供基础数据支持。     

基于小波矩特征和神经网络的灰度图像识别算法研究

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性。文章研究了基于小波矩的灰度图像特征提取算法,并将其与BP神经网络组合,利用神经网络的强学习能力和容错性,形成一个灰度图像识别系统。仿真实验表明,在图像失真较小的情况下识别率可达到100％,较之未提取特征的神经网络识别方法而言,网络收敛速度与识别精度都有较大的提高。     

基于纹理边界检测的航天器椭圆特征提取方法

为确定失效航天器等非合作目标的相对位姿,提出一种通过纹理边界检测的椭圆特征提取方法。该方法假设椭圆特征是航天器表面两种不同纹理的边界,利用上一时刻相对位姿信息,将对接环离散几何模型投影到像平面,并沿各离散点的法向方向通过概率方法检测纹理边界点。利用随机抽样一致(RANSAC)方法剔除边界点中的粗大误差,进而拟合出椭圆参数。纹理特征对光照变化具有鲁棒性,因此该方法能够在变光照、星体表面反光不均匀等复杂情况下快速准确地提取图像中的椭圆特征。本文以对接环图像特征提取为例进行仿真校验,分析了算法参数和噪声对提取椭圆精度和时间的影响。利用真实图像与基于梯度边缘的椭圆提取方法进行对比,结果表明,所提出的算法具有较高的精度和速度。     

一种多分辨率图像目标检测算法

为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA（Dataset for Object deTection in Aerial Images）数据集上进行了实验验证,在U-Net（一种基于卷积神经网络的语义分割算法）和ResNet-34（一种深度残差网络）两种不同的主干网络设置下,召回率和检测速度均超过了RPN（Region Proposal Network,区域提议网络）算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。     

复杂背景下深度学习方法的夜光船舶目标检测

文章针对传统阈值方法难以适用复杂背景下夜光船舶目标检测的问题,提出一种尺寸扩张注意力特征融合的Faster R-CNN方法（Size Expansion Attention Fusion Faster R-CNN,SEAFF）。首先,在Faster R-CNN基础上加入图像尺寸扩张,提升夜光船舶目标空间特征;然后,在深层残差网络后加入注意力机制模块,从通道和空间维度上对夜光船舶目标特征筛选;最后,结合特征金字塔网络,弥补不同层次特征提取缺失现象。实验表明,图像尺寸扩张具有很强的不可替代性,特征金字塔特征融合在抑制夜光船舶目标检测漏检具有显著影响,注意力机制在降低虚警方面有一定影响,同时引入三部分使模型达到最优。此外,通过与主流目标检测模型SSD、YOLOv5、Faster R-CNN对比表明,分别提高11.4、7.1和5.6个百分点。SEAFF模型在复杂背景下船舶夜光目标检测中具有显著优势和潜力。     

基于改进YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。     

基于改进FCOS网络的遥感目标检测

找出目标的位置和类别是目标检测的主要任务。随着人工智能和深度学习的发展,目标检测可以达到人眼所达不到的精度。由于信息较少,覆盖面积小且基于锚框的检测算法易受锚框大小、比例数目的影响,对较小的目标难以精确检测。针对以上问题,改进无锚框算法全卷积单阶段目标检测(Fully Convolutional One-stage Object Detection,FCOS)实现了小目标检测的效率和精度。将FCOS算法的特征提取网络结构残差网络(Residual Network,ResNet)更换为轻量级网络结构MobileNetV3,随后在骨干网络中引入通道注意力机制和空间注意力机制对特征提取网络进行改进,最后设计T交并比(TIOU)代替原本的交并比(IOU),改善模型精度。实验结果表明,所改进的网络结构与FCOS相比,网络训练时间和模型大小为原来的一半,计算参数量由原来的32.12×10⁶减少为11.73×10⁶,减少到原来的三分之一,模型推理速度提升了10%,每秒传输帧数为11帧,与主流网络FasterRCNN相比,检测精度和速度更快,可以满足对小目标...     

结合极化自注意力机制的空间目标位姿估计

利用深度学习强大的特征提取能力和残差网络的捷径反馈机制，设计了端对端的图像位姿估计方法。该方法提高网络特征的学习能力，将Polarized Self-Attention注意力模块嵌入到残差网络ResNet-50中，对空间目标图像中的空间信息进行了增强。由于空间目标的位置和姿态信息相互独立，将其分为两个不同的网络结构分支通过回归分别得到两者的信息。其中，在姿态信息回归分支中，对姿态信息进行软分配编码，相比直接回归有效减少了姿态误差。最后在URSO空间目标图像数据集上进行了实验验证，所提算法对空间目标位姿估计取得了更好的估计结果。     

基于可调品质因子小波和簇稀疏增强的磁异常信号特征提取研究

在磁异常信号目标探测中,由于存在背景噪声的干扰,导致采集到的磁信号中的有用特征极其微弱,从而极大地增加了特征提取的难度。文章提出了一种基于重叠簇收缩算法的可调品质因子小波变换的稀疏特征提取方法。与传统的固定品质因子值相比,该方法可根据信号的振荡特性调整品质因子,从而有效地诱导稀疏;此外,重叠簇收缩算法可有效地从具有簇特性的信号中提取微弱特征,从而增强特征的提取精度。经工程验证,将该方法应用于磁异常信号特征提取,可从复杂背景干扰信号中精确地提取出有用的稀疏目标特征。     

月面着陆多尺度边缘光流特征提取与跟踪方法

针对月面着陆器动力下降过程中,基于描述子的传统视觉特征提取和跟踪方法耗时长、误匹配率高等问题,提出一种采用边缘光流的多尺度特征提取与跟踪方法。首先通过构建序列图像金字塔和应用多级掩膜提取方法,改善了图像平面上特征点分布的均匀性;在此基础上,利用边缘直方图灰度差平方和(SSGD)滑窗搜索算法,将光流计算由二维迭代简化为一维匹配,大幅缩短了算法耗时;进一步利用多尺度边缘直方图迭代搜索算法在改善大尺度运动下特征跟踪鲁棒性的同时,将光流计算精度拓展至亚像素级。仿真结果表明,本方法计算耗时不超过描述子方法的50%,非大尺度运动下具有更高的稳定跟踪特征点数目,大尺度运动下相比描述子方法下降不超过15%,在跟踪效率和稳定性方面取得了较好的平衡。     

基于卷积神经网络的局部图像特征描述符算法

为提升基于图像序列三维重建的速度,解决传统局部特征描述符算法提取速度慢的问题,设计了一种基于深度学习的局部特征描述符网络。利用特征描述符网络实现对图像特征点的特征提取,结合本文采用的欧氏距离匹配准则,实现了对不同图像间特征点的匹配。算法对MVS数据集进行了验证,实验结果表明:提出的局部特征描述符算法实现了对图像特征点特征的快速准确的提取、匹配,与传统特征描述符算法相比,特征提取时间缩短了50%以上,特征点的匹配时间缩短了60%以上。相对于本算法中复杂结构的特征描述符网络,结构简单的泛化性更好,可拓展到航天领域的三维重建中。     

面向高光谱图像的目标检测研究

现有的高光谱目标检测方法是通过逐像素分类而实现,导致了检测速度缓慢。物体级目标检测的发展为高光谱图像实时目标检测带来了希望。为了实现实时高光谱图像目标检测,文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。首先,该算法提出了用多尺度光谱注意力网络（Res2NetSE）来提取空谱特征,能够提升多尺度目标检测效果并能更有效地提取关键波段信息;其次,该算法提出了一个空间增强的特征金字塔模块（Spatial Enhanced FPN,SFPN）用于特征融合,提升了神经网络的感受野和多尺度性能;最后,该算法设计了FIOU(Fantastic IoU)损失函数,提升了预测框定位精度。实验结果表明,所提出的算法能够有效提取空间域和光谱域信息特征,分别在平均准确率上提升了14.19%、8.01%和5.38%,与现有方法相比表现出更出色的性能。文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案,有望推动高光谱图像分析领域的进一步发展。     

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。