摘要：随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机(support vector machine,SVM)的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络(convolutional neural network,CNN)中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。

摘要：【目的】提出一种基于自适应样本均衡与信息融合的林火检测数据增强(SMA)方法,以解决因林火样本数据难以获取、各类别分布不均衡、场景表达能力不充分等导致林火检测效果不佳的问题。【方法】以河北省张家口市崇礼区采集的无人机林火图像为研究对象:1)对无人机视频进行预处理,构建原始数据集;2)采用类别统计、标注框中心化等方法分析数据存在的问题,如小目标居多、类别分布不均衡和标注框尺寸分散等;3)针对类别分布失衡问题,引入自适应参数,实现样本动态调整;4)为保证信息跨样本融合的有效性,提出新的参数指标IOA作为判定阈值,并给出合理参考值;5)设计12组消融试验,以无人机采集数据为样本,根据控制变量原则,对比原始数据、随机数据增强、马赛克数据增强和SMA方法在SSD、YOLOv3、YOLOv4主流算法中的林火检测结果;6)以MAP(平均查准率)为指标,评估不同数据增强方法在同一算法中的效果。【结果】消融试验结果显示,SMA方法在SSD、YOLOv3、YOLOv4算法中MAP分别为48.16%、82.02%、67.79%,相比原始数据分别提升12.14%、11.50%、36.83%,相比随机数据增强分别提升11.95%、4.86%、16.33%,相比马赛克数据增强分别提升1.06%、18.24%、1.79%。【结论】现有数据增强方法未能充分利用林火数据中蕴涵的信息,SMA方法引入自适应参数可解决样本分布不均衡问题,IOA指标引入能够实现数据跨样本融合。SMA方法在SSD、YOLOv3和YOLOv4算法中MAP相较传统方法均有提升,表现出对林火数据检测的有效性。

摘要：基于L2范数度量的k平面聚类(k-Plane Clustering,k PC)设计思想,本文提出了一种采用L1范数度量的聚类算法。由于在平面更新步骤中,所导出的优化问题是非凸的,文中给出了一种求解方法,即将非凸问题转化为有限个子集上的凸问题,为避免求解多个优化问题导致训练时间过长问题,本文还设计了一种新的优选策略,有限个子集的搜索任务可在线性时间内完成。本文所提出的方法只需要求解k个线性规划,而不再是k PC的求解特征值问题。在人工和UCI数据集上的实验结果表明:基于L1范数平面聚类算法的训练和测试时间更短,且在大多数数据集上均表现出了更好的聚类性能。

摘要：最小二乘对支持向量机(LSTSVM)是一种有效的分类技术。然而,该方法需计算点到平面的平方L2-范数距离,从而易受野值或噪声的影响。为了缓解此问题,提出了一种有效的鲁棒LSTSVM方法,即基于L1-范数距离的LSTSVM(LSTSVM_(L1D))。该方法由于使用L1范数作为距离度量,因此不易受到野值或噪声数据的影响。此外,设计了一种有效的迭代算法,旨在求解目标问题,并从理论上证明了其收敛性。在人工数据集和UCI数据集上验证了LSTSVM_(L1D)的有效性。

摘要：采用以平面为原型来拟合样本的思想设计学习机,已在机器学习和数据挖掘等领域引起广泛关注,然而,如何利用少量标记样本,兼顾平面原型特点实现聚类,鲜见报道.以kPC(k⁃Plane Clustering)为切入点,在有标样本极端少的情况下,设计了半监督型平面聚类算法semi⁃kPC.考虑到L1范数较L2范数更为鲁棒的事实,在已有工作L1kPC(L1 norm kPC)的基础上,提出基于L1范数的半监督聚类方法semi⁃L1kPC.从每类仅有一个已标样本出发,在人工数据集和UCI数据集上的实验表明:(1)在XOR(Exclusive OR)问题上,平面型的聚类方法的聚类准确率均显著高于k⁃means算法,因为k⁃means无法利用平面特性;(2)在引入少量监督信息后,半监督型聚类方法semi⁃kPC和semi⁃L1kPC比其他聚类方法的聚类准确率更高;(3)采用L1范数的semi⁃L1kPC比semi⁃kPC的鲁棒性更好.

摘要：运用无人机的遥感影像来调查林地状态是一种有效的途径,为了进一步提升遥感图像质量的评价精度,笔者提出了一种基于卷积神经网络(convolutional neural network,CNN)的无人机遥感图像质量评价方法,主要包括图像采集与预处理、数据扩增、模型训练和测试4个阶段。首先对无人机采集到的遥感图像进行主观质量打分,分别获取同一区域不同阶段图像的质量分数;然后运用图像旋转和剪裁等方法对遥感图像进行数据扩增,将扩增后的图片和原始图片融合作为实验数据集;其次在Caffe深度学习框架中构建基于CNN深层特征的回归模型,并训练;最后,根据已建立好的深度回归模型和学习到的参数,预测无人机遥感图像的质量分数。结果表明,提出的方法可以取得较准确的评分效果,在保证客观打分的同时,能基本保持和人眼视觉的感受一致。

摘要：林业作业人员常常由于复杂地貌而面对坠落、森林火灾等威胁,卷积神经网络结合无人机巡查的方法已经成为主流防范、搜救措施,但遥感图片中的行人小目标有特征少、定位精度要求高以及极易受背景信息干扰的特点。为了能够使森林遥感图片行人小目标检测的精度达到预期,在YOLOv4方法的基础上针对上述特点设计了增强特征提取的目标检测网络(EFEN),通过构建感受野增强模块(RFBA)并结合CBAM注意力机制,在充分利用遥感图片中的丰富上下文信息之余,对相关信息进行动态选择,增强特征的表示能力;基于高斯分布思想,将归一化Wasserstein距离与CIOU结合,提出了一种新的损失函数(GKCLOSS),降低了小目标检测任务中对位置偏差的敏感性;引入一种自适应分割训练检测策略,平衡正负样本,提高目标检测的准确性,进一步提高了检测精度。以河北省张家口市崇礼区采集的无人机行人图像为研究对象,实验表明,EFEN框架在小目标检测方面优于现有的深度学习网络,在与SSD、YOLOv5、YOLOv7等算法比较中平均查准率(mAP)均有所提升,在上述数据集上,mAP高达39.10%,证明了此方法对行人小目标数据的有效性。

摘要：对支持向量机(Twin Support Vector Machine,TWSVM)的优化思想源于基于广义特征值近似支持向量机(ProximalSVM based on Generalized Eigenvalues,GEPSVM)。该算法将传统SVM问题分解为两个凸规划问题,使得训练速度缩减到原来的1/4。对TWSVM做了修正,基于新的优化准则设计了一种特殊TWSVM(GTWSVM),在此基础上,提出了快速GTWSVM(FGTWSVM),其将GTWSVM转换为无约束凸规划问题求解。该算法在保证得到与TWSVM相当的分类性能以及较快的计算速度的同时,还减少了输入空间的特征数以及内存占用。对于非线性问题,FGTWSVM可以减少核函数数目。

摘要：利用Packet Tracer的物联网仿真系统平台,规划和设计了车辆道闸实验系统。系统包括RFID读卡器、车牌显示器、监视器、地感线圈、车辆道闸、通行车辆等物联网实验对象。根据道闸系统工作原理设计了道闸系统物件的硬件接口、网络拓扑、软件功能,并通过Python软件编程和IoT服务器逻辑控制编程,实现了道闸系统实验仿真,为物联网实践教学提供了有效、可行的解决思路。

摘要：局部化广义特征值最接近支持向量机(Localized GEPSVM,LGEPSVM)是从广义特征值最接近支持向量机(GEPSVM:Proximal Support Vector Machine via Generalized Eigenvalues)衍生而来,其原理是在GEPSVM通过求解广义特征值获得两个彼此不平行的超平面的基础上,分别求解两个超平面的凸壳,修改GEPSVM的分类判据为将测试样本归为距其最近凸壳所属的那一类.分析和实验表明,LGEPSVM较之GEPSVM具有更高的分类精度.然而,由于LGEPSVM在训练和分类过程中都涉及凸壳计算问题,因而费时较多.为了缓解这一问题,本文提出的基于马氏度量的最小椭圆凸壳算法MLGEPSVM(LGEPSVM based on Mahalanobis Metric),即分类时只需要判断样本与对应椭圆凸壳的距离.较之LGEPSVM和GEPSVM,MLGEPSVM具有如下几个特点:(1)给出了马氏度量下的椭圆凸壳计算方法,(2)分类速度更快,(3)更低的存储空间,每类样本仅需存储椭圆凸壳(可通过中心和协方差表示),而不是所有的凸壳顶点.在人工和标准数据集上的实验,验证了MLGEPSVM的上述性能.