基于分层四叉树的多分辨率数字岩心的表示与生成

传统的数字岩心建模方法建立的数字岩心模型尺寸单一,分辨率固定,导致存储空间过大,难以维护等问题.因此,提出了一种分层四叉树模型,给出了模型的构建及扩展方法,基于此模型,建立多分辨率数字岩心体素模型,同时在分层四叉树模型基础上,结合Marching Cubes移动立方体算法生成数字岩心面模型.通过实例检验证明,该方法建立的数字岩心模型极大地节省了存储空间,耗时较少,同时具有易于维护管理等优点.     

基于多尺度特征融合的遥感图像建筑物提取算法研究

由于高分辨率遥感图像中的建筑物尺寸多样,且背景复杂,因此在对遥感图像中的建筑物进行提取时,往往存在细节丢失、边缘模糊等问题,从而影响模型的分割精度。为了解决这些问题,提出了具有空间和语义信息的双分支架构网络B2Net。首先,在语义信息分支上建立交叉特征融合模块,充分捕获上下文信息,以聚合更多的多尺度语义特征;其次,在空间信息分支上将空洞卷积和深度可分离卷积进行组合,提取图像的多尺度空间特征,并通过优化膨胀率扩大网络的感受野;最后,构建内容感知注意力模块,对图像中的高频和低频内容进行自适应选择,以达到细化建筑物分割边缘的效果。在两个建筑物数据集上对B2Net进行训练与测试。在WHU数据集上,与基线模型相比,B2Net在精度、召回率、F1分数以及交并比上皆达到了最佳效果,分别为98.60%,99.40%,99.30%,88.50%;在Massachusetts建筑物数据集上,4个指标比BiSeNet分别提高了0.9%,1.9%,1.7%,2.2%。实验结果证明,B2Net可以更好地捕获空间细节信息和高级语义信息,提高了复杂背景下的建筑物进行分割精度,满足了对建筑物快速提取的需求。     

基于多特征融合的航空发动机剩余寿命预测

针对航空发动机剩余可用寿命(RUL)预测任务中代表性特征提取不充分导致RUL预测精度较低等问题, 提出了一种基于多特征融合的航空发动机RUL预测方法. 利用指数平滑法(ES)降低原始数据中的噪声干扰, 得到相对平稳的特征数据. 使用双向长短期记忆网络(Bi-LSTM)提取特征数据的时序特征, 利用多头注意力机制(Multi-attention)为时序特征赋予权重; 设计卷积长短期记忆网络(Conv-LSTM)提取特征数据的时空特征; 提取特征数据的手工特征并使用Softmax函数计算权重. 设计一个特征融合框架将上述特征进行融合, 然后通过全连接网络回归实现最终RUL预测. 使用C-MAPSS数据集对模型进行仿真验证, 与Bi-LSTM等模型进行对比, 模型RUL预测精度更高, 适应性更好.     

结合半监督聚类的地质图像多条件生成方法

近年来深度学习技术在地质学的应用越来越广泛.地质学科中的一个重要课题是根据稀疏的空间观测数据建立合理的地下模型.最近的工作通过条件生成对抗网络来探索条件化地质建模,产生了逼真且符合空间观测数据的地质图像.然而,多数方法只关注将空间观测数据作为硬条件,忽视了对生成图像中地质属性的调节.本文引入地质属性标签调节地质图像中具体的地质属性表现,将表征地质属性类别的标签数据作为生成条件之一,扩展一个属性分类器与该标签配合,从而实现更可控的图像生成.针对属性标签的人工标注成本大的问题,本文采用半监督聚类利用少量的标注数据为无标签数据自动分配标签.此外,聚类可能产生噪声标签影响建模结果,此方法使用对称交叉熵损失改进分类网络以提高网络对于噪声标签的鲁棒性.本文在黄河地区的河流地质数据集上进行大量实验,结果表明所提出的方法对于不同的属性标签生成了地质模式不同且符合空间观测数据的逼真地质图像,证明了本方法的有效性.     

AccFed:物联网中基于模型分割的联邦学习加速

随着物联网(IoT)的快速发展,人工智能(AI)与边缘计算(EC)的深度融合形成了边缘智能(Edge AI)。但由于IoT设备计算与通信资源有限,并且这些设备通常具有隐私保护的需求,那么在保护隐私的同时,如何加速Edge AI仍然是一个挑战。联邦学习(FL)作为一种新兴的分布式学习范式,在隐私保护和提升模型性能等方面,具有巨大的潜力,但是通信及本地训练效率低。为了解决上述难题,该文提出一种FL加速框架AccFed。首先,根据网络状态的不同,提出一种基于模型分割的端边云协同训练算法,加速FL本地训练;然后,设计一种多轮迭代再聚合的模型聚合算法,加速FL聚合;最后实验结果表明,AccFed在训练精度、收敛速度、训练时间等方面均优于对照组。     

基于对抗深度学习的无人机航拍违建场地识别

对违建场地的检测方法主要是通过人工对无人机航拍视频进行检查,存在检测精度低、识别性能差、工作效率低的问题。提出一种结合空间变换网络与Fast RCNN的生成对抗网络ASTN-Fast RCNN,通过深度学习与无人机航拍视频相结合自动识别检测处在建设初期的违建场地。将空间变换网络作为生成器,生成Fast RCNN目标检测器难以识别的旋转形变样本,并通过目标检测器与生成器的对抗式训练,提高检测器的鲁棒性。实验结果表明,该方法能够有效提高对无人机航拍违建场地的识别性能。     

双波段彩色融合图像色彩和谐性客观评价

针对现有的图像质量评价方法较少利用人眼视网膜和视觉皮层的颜色编码机制,并且未能充分考虑图像色彩信息对图像质量的影响,提出了一种基于多视觉特征的可见光(微光)与红外彩色融合图像色彩和谐性客观评价模型.该模型在图像质量评估中融入了更多的颜色信息,综合考虑多种人眼视觉特征包括视觉对立色彩特征、色彩信息波动特征和高级视觉内容特征,经过特征融合和支持向量回归训练,实现彩色融合图像的色彩和谐性客观评价.采用3种典型场景融合图像数据库进行实验比较与分析.实验结果表明,与现有的8种图像质量客观评价方法相比,所提出的方法与人眼主观感受更加一致,具有较高的预测准确度.     

超密集网络中基于多基站博弈均衡的分布式无线资源管理算法

移动边缘计算和超密集网络技术在扩大移动设备计算能力和增加网络容量方面有明显的优势.然而,在两者融合的场景下,如何有效降低基站之间的同信道干扰,减少任务传输的时延和能耗是一个重要研究课题.本文设计了一个基于多基站博弈均衡的分布式无线资源管理算法.将小基站之间的无线资源管理问题转化为博弈问题,提出一种基于奖励驱动的策略选择算法.基站通过迭代不断更新其策略的选择概率,最终优化子信道分配和发射功率的调控.仿真结果表明,我们的算法在提高信道利用率和降低任务处理的时延和能耗方面具有优势.     

基于LSTM与距离优化的兴趣点推荐方法

现有的兴趣点(POI)推荐方法以基于位置的社交网络为准, 通过用户个人的兴趣点访问频率以及其关系者的访问习惯进行推荐, 而兴趣点的地理位置也作为推荐的考虑条件之一. 但大部分的兴趣点推荐仅仅将兴趣点的地理位置作为推荐的偏好参考, 而非用户本身到达该兴趣点的代价, 所以基于类似方法所产生的某些兴趣点候选项可能符合用户偏好...     

基于UNet3+的伽马成像测井自动解释方法

鉴于传统的伽马成像测井解释对地层轮廓的拾取往往依赖于人工解释或者解释软件辅助,存在工作量大、识别精度不高、效率低等问题,提出一种基于卷积神经网络UNet3+的伽马成像测井自动解释方法,实现伽马图像像素级分割,自动拾取地层轮廓,并采用非极大值抑制法细化地层轮廓,从而使地层轮廓更好地呈现出正弦构造,同时提高倾角计算的精度。在轮廓分割结果图中,采用Selective Search算法计算轮廓拟合区域,生成目标轮廓候选框,在候选框内拟合地层轮廓点并进行倾角计算。通过在实际伽马成像测井资料上进行实验,结果和分析表明,该方法可以有效提取出地层轮廓,保证伽马成像测井解释的准确率,提高解释工作效率,较好地满足实际生产应用需求。