摘要：建筑物规模及其分布是衡量一个地区经济社会发展状况的关键指标,因此研究基于遥感影像的建筑物提取具有重要意义。现有神经网络方法在建筑物提取的完整度、边缘精确度等方面仍存在不足,由此提出一种基于高分遥感影像的多层次特征融合网络(multi-level feature fusion network,MFFNet)。首先,利用边缘检测算子提升网络对建筑物边界的识别能力,同时借助多路径卷积融合模块多个维度提取建筑物特征,并引入大感受野卷积模块解决感受野大小对特征提取的限制问题;然后,对提取的特征进行融合,利用卷积注意力模块进行压缩,经金字塔池化进一步挖掘全局特征,从而实现建筑物的高精度提取。并与当前主流的UNet、PSPNet(pyramid scene parsing network)、多路径特征融合网络(multi attending path neural network,MAPNet)和MDNNet(multiscale-feature fusion deep neural networks with dilated convolution)方法进行对比,使用亚米级的武汉大学航空影像数据集、卫星数据集II(东亚)与Inria航空影像数据集作为实验数据进行测试,结果发现,所提方法提取出的建筑物更为完整,边界更加精确。

摘要：属性约简是粗糙集理论进行数据挖掘的基本途径,相关算法主要基于核。核的差别矩阵表示及相关求核计算具有重要意义,但已有的差别矩阵及其求核算法还具有时空局限性。对此,依据差别矩阵的稀疏性与大规模性,提出基于决策分类的分块差别矩阵及其求核算法,直接地将决策分类信息融入形式结构与问题求解。首先,基于决策分类来定义分块差别矩阵,设计其计算算法;其次,基于分块差别矩阵,确定核的内涵与算法;最后,进行实例分析与实验验证,说明所建方法的有效性。基于决策分类的分块差别矩阵有效地实施了信息提取与维度降低,相关的求核算法较好地减少了差别矩阵求核算法的时空复杂性。