遥感图像道路提取方法综述

道路信息在现代社会中扮演着重要的角色,研究遥感图像的道路提取方法具有重要科学意义。回顾了道路提取方法的发展历程,按实现形式的不同,将已有道路提取方法分为基于像元、面向对象、深度学习三大类,并以此为线索,分析比较各类方法的适用范围与优缺点。设计实验,以多幅高分辨率卫星遥感图像为实验对象,验证对比各类典型道路提取方法的实际性能,实验结果表明,基于深度学习的道路提取方法效果最佳。最后,结合当下热门的遥感大数据与人工智能相关理论,展望了未来遥感图像道路提取方法的发展趋势。     

基于SURF的抗重复特征干扰图像配准方法

针对基于加速鲁棒特征(SURF)的图像配准算法的配准精度易受重复特征干扰的影响这一问题,提出一种基于SURF的抗重复特征干扰的图像配准方法.使用SURF算法提取图像特征点;针对重复特征干扰,提出一种特征点分类匹配方法以取代传统的全局匹配,在不显著增加计算量的情况下有效的降低误配率;使用随机抽样一致(RANSAC)算法进一步筛除误配,并计算出图像转化矩阵以完成配准.实验结果表明,该方法能有效抑制实验图像中严重的重复特征干扰,并获得较高的配准精度.     

基于FY-4A/AGRI时空特征融合的新疆地区积雪判识

高时间分辨率的积雪判识对于新疆牧区农牧业发展和雪灾预警具有重要作用,针对已有积雪产品易受复杂地形地貌,下垫面类型以及云遮蔽的影响,导致积雪判识精度降低的问题,提出一种利用深度学习方法对风云4号A星多通道辐射扫描计（AGRI）数据与地理信息数据进行多特征时序融合的积雪判识方法：以多时相FY-4A/AGRI多光谱遥感数据,以及高程、坡向、坡度和地表覆盖类型等地形地貌信息作为模型输入,以Landsat 8 OLI提取的高空间分辨率积雪覆盖图作为“真值”标签,构建并训练基于卷积神经网络的积雪判识模型,从而有效区分新疆复杂地形与下垫面地区的云、雪以及无雪地表,最终得到逐小时积雪覆盖范围产品。经数据集和2019年地面气象站实测雪盖验证,该方法精度高于国际主流MODIS逐日积雪产品MOD10A1和MYD10A1,显著降低云雪误判率。     

基于神经网络的银行信贷风险智能化模型研究

基于大数据背景,将BP神经网络应用于信贷客户风险模型研究.选取了若干对贷款客户评级有影响的客户信息属性组,利用已存在的客户数据训练出该属性组与客户违约率的网络模型,使其能根据新输入的贷款客户信息预测该客户的违约率,进而对客户进行是否违约的预判.算例实验结果表明,所提风险预警模型能够较精确地预测客户违约率,从而进行对违约客户预警.整个流程中,人为干预因素少,智能化程度高,降低了操作风险.     

基于多尺度特征融合网络的新疆积雪覆盖度估算

受复杂地形和遥感数据低分辨率的影响，传统的二值化积雪遥感产品在山区和林区的积雪覆盖度计算中存在严重误算和漏算的问题，从而导致积雪覆盖度估算精度低。基于风云四号A星多通道辐射扫描计（AGRI）新疆地区的遥感影像数据，提出一种多尺度特征融合网络的积雪覆盖度估算方法。通过深度残差网络和特征金字塔模式对卷积层各个阶段的特征信息进行重构，融合深层和浅层特征的多重语义信息，同时结合AGRI数据高时间分辨率的特性，拟合光谱信息和地理因素间的非线性关系，从而提高数据源和特征信息的整体利用率。实验结果表明，相比MOD10_FSC、BP-ANN_FSC和ResNet_FSC方法，该方法在A1~A4样本区中相关系数均值和解释回归模型的方差得分均值最高可提高8和6个百分点，且其均方误差均值仅为0.1，能够获得较高精度的积雪覆盖度估算结果。     

基于EfficientNet的轻量化行人检测算法

针对当前行人检测过程中存在速度慢、精确率不高以及高复杂度运算的问题,提出一种兼顾轻量化与检测精确率的卷积神经网络算法(ECG-YOLO)。该算法采用EfficientNetv2与坐标注意力(coordinate attention, CA)模块重新设计主干网络,提升网络的检测速度及精度。设计参数量和计算量更小的GhostConv模块以降低特征通道融合过程中的计算量。加入自适应Gamma校正算法减少复杂场景下光照等因素的影响。改进后的算法在NVIDIA TX2开发板上测试,检测精度达91%以上,较原算法提高了1.7%,参数量和计算量分别为原算法的40.8%和36.3%,具有较好的检测精度与实时性。     

基于全卷积神经网络的多源高分辨率遥感道路提取

针对半自动道路提取方法人工参与较多、提取精度不高且较为耗时的问题提出一种基于全卷积神经网络（FCN）的多源高分辨率遥感道路提取方法。首先,对高分二号和World View图像进行分割,用卷积神经网络（CNN）分类出包含道路的图像;然后,用Canny算子提取道路的边缘特征信息;最后,结合RGB、Gray和标签图放入FCN中训练,将现有的FCN模型拓展为多卫星源输入及多特征源输入的FCN模型。选取西藏日喀则地区作为研究区域,实验结果显示,所提方法在对高分辨率遥感影像进行道路提取时能够达到99.2%的提取精度,并且有效地减少了提取所需的时间。     

基于改进GA-BP神经网络的压力传感器校准方法

针对压力传感器在实际使用过程中由于温度漂移现象导致输出精度不高的问题，提出了基于改进遗传算法(genetic algorithm, GA)优化反向传播(back propagation, BP)神经网络的校准方法。该方法主要改进了遗传算法的初始化种群和遗传算子，并引入了t分布扰动。将压力传感器模组的输出电压和温度电压作为输入，通过遗传算法计算出一组最优的初始权值和阈值并建立BP神经网络模型，最后将训练好的神经网络模型移植到传感器模组的调理芯片并进行实验验证。结果表明，该方法有效地降低了温度对压力传感器输出的影响，经过算法校准后压力传感器的全量程相对误差为0.01%FS,零点漂移为8.444×10^-6,灵敏度漂移为2.055×10^-6,校准效果优于其他算法。