基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT(Non-Subsampled Wavelet Transform,非下采样小波变换)提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显著提高。     

AC-20厂拌热再生沥青混合料的研究与应用

我国公路网和高速公路网规模位居世界前列,大批量高等级路面服役能力减弱,即将进入养护维修周期。如果采用传统方法,多数翻挖、铣刨的沥青混合料将被废弃,不仅造成环境污染,也浪费资源,而所需天然石料的开采势必引发森林植被破坏、水土流失等生态破坏,缓解矛盾的有效方法就是应用再生沥青混凝土技术。本文通过沥青材料老化探明了沥青再生机理,提出了旧沥青再生方法,确定了G6养护维修工程(兰州段)新旧沥青掺配比例,结合室内试验,给出了再生沥青混合料配合比设计方法,并对热再生沥青混合料的路用性能进行了评价,得出了厂拌热再生沥青混合料的社会和经济效益。     

轴压焊接工字形钢柱截面设计直接算法

通过对钢柱截面参数ｂ／ｔ、ｈ０／ｔｗ的简化，降低了求解难度，并运用合法将关系简化为线性方程，提出了轴压焊接工字形钢柱截面设计的直算法。设计实例表明此方法可快速方便地确定柱截面，克服了常用试算法的缺点，并能很方便运用于实际工程设计。     

新型全螺栓连接钢框架抗震性能试验研究

针对方钢管柱与H形钢梁难栓接的问题,提出了一种新型全螺栓连接方式。这种连接方式舍去传统螺栓连接的螺帽,由直接在柱壁相应位置的攻丝充当,然后通过高强度螺栓把钢梁和方钢管柱直接连接。为了研究新型全螺栓连接方式运用在钢框架上的抗震性能,按照1:2比例模型,分别制作了采用传统栓焊连接方式(KJ-1)和新型全螺栓连接方式(KJ-2)的单层单跨钢框架。通过低周往复加载试验,对比分析了两者的破坏现象、承载力、滞回曲线、骨架曲线、刚度退化以及延性等抗震性能。结果表明,KJ-2比KJ-1承载力提高了16.1%,延性增加了13.7%,耗能提高了9.5%;二者的刚度退化程度接近。总体而言,采用新型全螺栓连接钢框架的抗震性能稍优于采用传统栓焊连接的钢框架的抗震性能。     

抗肿瘤药物来那度胺的合成方法

2-甲基-3-硝基苯甲酸甲酯(1)与卤化剂反应,制得2-卤甲基-3-硝基苯甲酸甲酯(2)。L-谷氨酰胺(3)经酯化反应制得谷氨酰胺甲酯(4),在Boc试剂、偶联剂和催化剂的作用下,进行分子内关环,制得Boc保护的3-氨基哌啶-2,6-二酮(7),与2-卤甲基-3-硝基苯甲酸甲酯(2)在弱碱的条件下合环,经硝基还原反应,得到来那度胺(9)。本方法反应条件较温和,反应步骤简单易行,降低了生产成本,并且提高了产率,总收率约为40%。     

培养和提高大学生科技创新能力的探索

高素质大学生的培养在一个国家的发展中起着重要作用,而科技创新能力很大程度上影响着国家未来的核心竞争力,也是对高等学校提出的更高要求。分析了目前大学生科技创新能力的现状及意义所在,并对如何提高大学生的科技创新能力的问题提出了一些针对性建议,以期能起到一些促进作用。并结合长沙理工大学电气学院大学生在科技创新能力培养方面取得的一些成绩给出了一定的发展建议。     

基于滤波器组与中心对称局部二值模式的内窥镜病灶图像检测方法

为了解决在大量内窥镜图像中准确检测多种病灶这一难题,提出一种滤波器组与中心对称局部二值模式的多重纹理检测方法。首先将内窥镜图像经过LM(Leung-Malik)滤波器组,计算其响应的联合概率分布作为图像的纹理特征;采用CS-LBP对该图像进行编码,从另一角度提取其纹理特征。将训练样本的两种纹理特征结合进行聚类,形成一组纹理基元构建纹理基元字典,通过计算像素与纹理基元的欧氏距离获得基于纹理基元的图像直方图。最后,用K-邻近算法对纹理图像进行分类。实验结果表明,该方法特异度和灵敏度分别达到88%和92%,优于已有结果,可代替应用于内窥镜图像的临床初步检测。     

基于空间特征重标定网络的遥感图像场景分类

为充分利用遥感图像的场景信息,提高场景分类的正确率,提出一种基于空间特征重标定网络的场景分类方法。采用多尺度全向高斯导数滤波器获取遥感图像的空间特征,通过引入可分离卷积与附加动量法构建特征重标定网络,利用全连接层形成的瓶颈结构学习特征通道间的相关性,对多尺度空间特征进行权重筛选以实现特征重标定,并结合卷积神经网络训练得到最终的分类结果。实验结果表明,该方法在UCM_LandUse与机载SAR图像数据上的分类正确率分别达到94.76%和95.38%,与MNCC、MS-DCNN、PCA-CNN等算法相比,其遥感图像分类精度与泛化能力显著提升。     

基于双注意力机制的遥感图像目标检测

针对遥感图像在复杂背景下小目标检测精度较低的问题,提出一种基于双注意力机制模型的SSD检测算法。该算法在前端特征提取网络中引入双注意力机制模型,强化低层特征图中小目标的有效特征信息并抑制冗余的语义信息,实现自适应特征学习;并在空间注意力模型中引入空洞卷积,保证卷积核感受野的同时减少了网络参数。引入Focal loss损失函数作为改进算法的分类损失函数,改善网络在训练过程中样本失衡的问题,增加正样本与难样本在训练时的权重比例,提升算法的检测性能。对遥感图像数据集NWPU VHR-10进行检测的结果表明,本文的改进算法在保证检测速度的同时提高了检测精度。与传统SSD算法相比,改进SSD算法的mAP提高了2.25个百分点,达到79.65%。     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。