基于空间与光谱注意力的光学图像和SAR图像特征融合分类方法

针对多源遥感图像的差异性和互补性问题,该文提出一种基于空间与光谱注意力的光学图像和SAR图像特征融合分类方法。首先利用卷积神经网络分别进行光学图像和SAR图像的特征提取,设计空间注意力和光谱注意力组成的注意力模块分析特征重要程度,生成不同特征的权重进行特征融合增强,同时减弱对无效信息的关注,从而提高光学和SAR图像融合分类精度。通过在两组光学和SAR图像数据集上进行对比实验,结果表明所提方法取得更高的融合分类精度。     

基于注意力网络的地基SAR永久散射体选取方法

永久散射体法（Permanent Scatterer,PS）是地基合成孔径雷达（Ground-Based Synthetic Aperture Radar,GBSAR）形变监测的技术支撑,但使用传统多阈值法选取PS点时,会存在各个区域对阈值敏感性不同的问题。为解决选取PS点时漏选或错选的问题,本文提出一种注意力网络模型对GBSAR时序数据进行PS点筛选,并将该模型与循环神经网络（Recurrent Neural Network,RNN）和长短期记忆网络（Long Short-Term Memory,LSTM）进行对比实验,应用于三个不同场景的监测来比较选取PS点的结果。实验结果表明:基于注意力网络的模型的实时性比RNN模型更好,准确度比LSTM模型更高。因此基于注意力网络的模型在PS点选取上更具优势。      

地基SAR干涉相位滤波优化方法

地基SAR对边坡进行形变监测过程中,为了获得较高的图像质量和进行相位解缠的需要,往往要对干涉相位进行滤波优化,以提高干涉相位图的信噪比,减少干涉相位图中的残差点,从而有助于更好地进行相位解缠,提高形变监测的精度与可行性。本文针对地基SAR干涉相位图的空变等特性,对地基SAR干涉相位滤波算法进行了研究,着重介绍了四种经典、高效的干涉相位滤波算法,并进行了地基SAR边坡形变监测试验,使用实测干涉数据进行了四种滤波处理,从定量及定性的角度对每种滤波算法进行了比较与评估。最终给出了最优滤波算法,为地基SAR进行干涉相位实时滤波优化及后续数据处理提供了基础。      

基于注意力机制特征融合网络的SAR图像飞机目标快速检测

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中飞机目标散射点离散化程度高,周围背景干扰复杂,现有算法对飞机浅层语义特征表征能力弱等问题,本文提出了基于注意力特征融合网络(Attention Feature Fu-sion Network,AFFN)的SAR图像飞机目标检测算法.通过引入瓶颈注意力模块(Bottleneck Attention Module,BAM),本文在AFFN中构建了包含注意力双向特征融合模块(Attention Bidirectional Feature Fusion Module,ABFFM)与注意力传输连接模块(Attention Transfer Connection Block,ATCB)的注意力特征融合策略并合理优化了网络结构,提升了算法对飞机离散化散射点浅层语义特征的提取与判别.基于自建的Gaofen-3与TerraSAR-X卫星图像混合飞机目标实测数据集,实验对AFFN与基于深度学习的通用目标检测以及SAR图像特定目标检测算法进行了比较,其结果验证了AFFN对SAR图像飞机目标检测的准确性与高效性.     

基于注意力和自适应特征融合的SAR图像飞机目标检测

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像中飞机目标尺度多样性及背景强散射干扰的问题,提出了一种基于坐标注意力和自适应特征融合的YOLOv4 SAR图像飞机目标检测算法。该方法首先在主干网络引入坐标注意力机制,以增强对于飞机散射点组合结构的聚焦能力以及抗背景干扰能力。其次,在特征增强网络中引入自适应特征融合机制,提高了对不同大小飞机的特征提取能力,同时改善了YOLOv4算法召回率和精确率不平衡的问题。最后,通过改进的K-Means聚类针对飞机目标调整先验框的尺寸,提高了模型的定位精度。实验结果表明,改进算法召回率达到91.01%,精确率达到90.09%,AP_0.5达到92.34%,分别较原YOLOv4算法提高2.49%,6.56%和3.62%。     

基于多尺度注意力CNN的SAR遥感目标识别

目标识别是合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译的重要步骤。鉴于卷积神经网络（Convolutional Neural Network, CNN）在自然图像分类领域表现优越,基于CNN的SAR图像目标识别方法成为了当前的研究热点。SAR图像目标的散射特征往往存在于多个尺度当中,且存在固有的噪声斑,含有冗余信息,因此,SAR图像目标智能识别成为了一项挑战。针对以上问题,本文提出一种多尺度注意力卷积神经网络,结合多尺度特征提取和注意力机制,设计了基于注意力的多尺度残差特征提取模块,实现了高精度的SAR遥感图像目标识别。该方法在MSTAR数据集10类目标识别任务中的总体准确率达到了99.84%,明显优于其他算法。在测试集加入4种型号变体后,10类目标识别任务中的总体准确率达到了99.28%,验证了该方法在复杂情况下的有效性。     

结合时序注意力机制的多特征融合行人序列图像属性识别方法

目前绝大多数的行人属性识别任务都是基于单张图像的,单张图像所含信息有限,而图像序列中包含丰富的有用信息和时序特征,利用序列信息是提高行人属性识别性能的一个重要途径.本文提出了结合时序注意力机制的多特征融合行人序列图像属性识别网络,该网络除了使用常见的空-时二次平均池化特征聚合和空-时平均最大池化特征聚合提取序列的特征外...     

基于注意力机制和多关系事件的时序知识图谱推理

时序知识图谱推理是将时序信息引入知识表征学习和知识推理任务中,旨在推断事件在未来的演变趋势.针对大多数时序知识图谱推理方法存在跨时间实体与关系推理能力有限的问题,提出基于多关系事件和注意力机制的时序知识图谱推理模型（Attention Events Network,Attn-Net）.为利用时序知识图谱中推理任务与时序事件的关联信息,往往需要设计专门的、复杂度高的时序编码器.然而循环神经网络作为最常用的一类序列编码器,忽略了序列节点与任务之间的关联程度,并不能很好适用于知识推理.文中提出了使用自注意力机制序列编码模型来融合序列的历史信息,计算推理任务与时序历史信息的注意力标量,从而得到更准确的历史事件关联信息编码.在此基础上,使用注意力机制优化多关系邻域聚合器,根据不同关系下事件关注程度计算得到实体的邻域表示,从而获得更准确的事件编码,最终获取了更准确的实体邻域向量表示.在WIKI和YAGO数据集上实验表明,Attn-Net的效果分别提升了1.5%和2%,且有效提高了时序知识图谱推理的能力.     

基于时频分布的SAR相位误差估计方法

提出了一种新的基于时频分布的相位误差估计方法。相位误差的存在严重影响着合成孔径雷达(SAR)成像的质量,综合利用信号的不同时频分布的互补优势,获取具有强健于噪声且具有较高时频分辨率的时频分布图,在此基础上,利用曲线拟合获得瞬时频率进而获得相位误差的较高精度估计。实验结果表明,该方法简单易行,且具有较好的相位误差估计效果。     

面向小样本SAR图像识别的自注意力多尺度特征融合网络

合成孔径雷达（Synthetic Aperture Radar,SAR）图像标签难以大量获取,存在着大量小样本SAR数据集。SAR图像充满着散斑噪声,直接将卷积神经网络（Convolutional Neural Network,CNN）应用在小样本SAR数据集上难以提取有效特征。针对以上问题,本文提出了一种面向小样本SAR图像识别的自注意力多尺度特征融合网络。首先,将自注意力机制与幽灵模块相结合构建自注意力幽灵模块,并利用该模块替代经典的卷积操作提取SAR图像特征。其次,在网络中添加通道混洗单元以构建多尺度信息融合支路。最后,引入知识蒸馏对设计的网络进行压缩,进一步控制网络参数量。实验结果表明,本文方法在不同工作条件下采集的MSTAR数据集上具有出色的识别性能,在构建的小样本SAR数据集上也表现出良好的鲁棒性。      

基于类别注意力卷积网络的地物分类方法

在近期的研究发展中,语义分割取得了巨大的进步。但大多数方法都是从空间角度出发,来获取更加丰富的上下文信息。与以往的方法不同,本文提出了一种基于类别注意机制的特征融合方法,从类别角度出发,来获取全局上下文信息,并与其他特征信息进行融合,这种方法能够更好地表示图像中各类目标的特征,具有更好的类内聚合性。为此,本文使用了一种ACF（类别注意力特征）模块,以计算和构建图像中各类目标的类别中心,以此为基础得到了一个基于类别注意力的多特征融合语义分割网络,以实现更好的地物分类性能。算法使用ISPRS数据集进行实验,与其他算法进行对比,本文方法具有更好的性能表现。      

Dual attention interactive fine-grained classification network based on data augmentation

The key to fine-grained image classification is to find discriminative regions. Most existing methods only use simple baseline networks or low-recognition attention modules to discover object differences, which will limit the model to finding discriminative regions hidden in images. This article proposes an effective method to solve this problem. The first is a novel layered training method, which uses a new training method to enhance the feature extraction ability of the baseline model. The second step focuses on key regions of the image based on improved long short-term memory (LSTM) and multi-head attention. In the third step, based on the feature map obtained by the dual attention network, spatial mapping is performed by a multi-layer perceptron (MLP). Then the element-by-element mutual multiplication calculation of the channel is performed to obtain a feature map with finer granularity. Finally, the CUB-200-2011, FGVC Aircraft, Stanford Cars, and MedMNIST v2 datasets achieved good performance.     

基于卷积神经网络与注意力机制的高光谱图像分类

由于浅层卷积神经网络(convolutional neural network,CNN)模型感受野的限制,无法捕获远距离特征,在高光谱图像 (hyperspectral image,HSI) 分类问题中无法充分利用图像空间-光谱信息,很难获得较高精度的分类结果。针对上述问题,本文提出了一种基于卷积神经网络与注意力机制的模型(model based on convolutional neural network and attention mechanism,CNNAM),该模型利用CA (coordinate attention)对图像通道数据进行位置编码,并利用以自注意力机制为核心架构的Transformer模块对其进行远距离特征提取以解决CNN感受野的限制问题。CNNAM在Indian Pines和Salinas两个数据集上得到的总体分类精度分别为97.63%和99.34%,对比于其他模型,本文提出的模型表现出更好的分类性能。另外,本文以是否结合CA为参考进行了消融实验,并证明了CA在CNNAM中发挥重要作用。实验证明将传统CNN与注意力机制相结合可以在HSI分类问题中获得更高的分类精度。     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

基于3D卷积神经网络的PolSAR图像精细分类

PolSAR （Polarimetric Synthetic Aperture Radar）图像分类的传统方法在前期需要对数据进行特征提取,涉及较多的人为参与,且分类精度有待进一步提高。此外,在采用监督分类方法时,某些地物存在小样本问题,针对这些问题并结合PolSAR图像精细分类的需求,提出基于3D卷积神经网络的PolSAR图像地物精细分类方法,将传统卷积神经网络扩展为三维并将其应用于PolSAR图像分类中,利用PolSAR数据多通道特性,充分挖掘数据中的信息,提高分类性能,并采用虚拟样本扩充的方法改善某些地物的小样本情况,获得更好的分类结果。实验结果表明:3D卷积神经网络较2D卷积神经网络在PolSAR图像地物精细分类中有较好的性能,且虚拟样本扩充方法能够有效改善小样本分类问题。     

融合卷积注意力机制与深度残差网络的遥感图像分类

针对遥感影像场景数据空间信息丰富,冗余地理特征干扰深度神经网络模型的问题,提出在深度残差网络中引入卷积注意力机制(Convolutional Block Attention Module,CBAM)的策略.为验证深度残差网络引入CBAM的有效性,用经典深度残差网络ResNet50和融合注意力机制的深度残差网络CBAM_...     

TIME SERIES NEURAL NETWORK FORECASTING METHODS

This paper has discussed the possibility and key problem to construct the neural network time series model, and three time series neural network forecasting methods has been proposed, i. e. a neural network nonlinear time series model, a neural network multi-dimension time series model and a neural network combining predictive model. These three methods are applied to real problems. The results show that these methods are better than the traditional one. Furthermore, the neural network methods are compared with the traditional method, and the constructed model of intellectual information forecasting system is given.     

基于极化SAR图像分类的海上舰船检测

本文针对极化熵类检测方法的不足,在极化特征分解以及Touzi等人工作的基础上,提出了能够更全面的表征舰船和杂波差别的特征矢量,并提出了一种基于特征矢量的非监督分类方法。使用该方法进行海上舰船的检测,不仅取得了很好的舰船和海面的分离效果,而且也得到了较好的舰船与其他人造目标的区分效果。实测数据的检测结果证明该分类方法具有很好的收敛性,是一种有效的舰船检测方法。