摘要：从遥感影像中提取道路目标对智慧城市建设具有重要意义。由于遥感数据中道路及背景特征复杂多样,使用深度学习方法对道路进行提取的准确性仍然受到限制。基于U-Net网络架构设计实现了用于遥感影像道路提取的深度语义分割模型AS-Unet,该模型分为编码器和解码器两部分。在编码器部分加入通道注意力机制,对提取的丰富低层特征进行筛选,突出目标特征,抑制背景噪声干扰,从而提高深浅层信息融合准确率;为解决网络对道路目标单一尺寸的敏感问题,在编码器最后一层卷积层后面加入空间金字塔池化模块来捕获不同尺度道路特征;在解码器部分加入空间注意力机制,进行位置关系信息学习和深层次语义特征筛选,提高特征图还原能力。在Massachusetts和DeepGlobe道路数据集上进行实验,结果证明,在召回率、精度、F1值等评估指标上,明显优于SegNet、FCN等语义分割网络。所设计的AS-Unet网络性能优良,具有更高的分割准确率,具备一定理论和实际应用价值。

摘要：当前,如何更好的利用电力单位为客户提供更加良好的服务,成为了业内研究的重点。为此此开展了基于用电行为特性数据价值挖掘的客户服务及风险管控的研究。通过设计电力服务指标的特性数据价值挖掘流程,提取面向不同用户供电行为的服务数据,发现在提供客户服务中存在的不同风险,以此为其提供针对性服务。整合提出的风险,对客户信誉度进行综合评估,并细分不同类型的客户,提高电力资源的利用率,实现对风险的有效管控。