【摘 要】
：
针对当前飞机遥感图像目标检测算法的精度和实时性不能兼顾的问题，提出了基于SSD(Single Shot MultiBox Detector)的锚框尺度密集化和锚框策略匹配目标检测算法。该算法选用经过改进后的深度残差网络替代SSD算法原有的特征提取网络。结合飞机遥感图像存在小尺度且密集的特点，该文重新设计了锚框尺度大小、比例和额外增加了一个包含两种尺度的特征层。而后对各个特征层进行锚框密集化操作使得
论文部分内容阅读
针对当前飞机遥感图像目标检测算法的精度和实时性不能兼顾的问题，提出了基于SSD(Single Shot MultiBox Detector)的锚框尺度密集化和锚框策略匹配目标检测算法。该算法选用经过改进后的深度残差网络替代SSD算法原有的特征提取网络。结合飞机遥感图像存在小尺度且密集的特点，该文重新设计了锚框尺度大小、比例和额外增加了一个包含两种尺度的特征层。而后对各个特征层进行锚框密集化操作使得特征层的锚框铺设密度基本相等，提高不同尺度的锚框匹配到真实目标的概率。在不同尺度的正样本锚框数量差距较大
其他文献
新一代空间科学任务,如空间站光学原子钟计划、广域量子通信、精细结构常数测量、引力红移测量及深空探测等,提出了皮秒量级的时间比对要求,需要基于广义相对论建立更加准确的卫星坐标时计时与时间比对模型.本文从地心非旋转坐标系(geocentric celestial reference system, GCRS)的广义相对论度规张量出发,建立了广义相对论下卫星轨道方程.在此基础上,考虑轨道摄动的影响,建立
解耦表征学习旨在对影响数据形态的关键因素进行建模，使得某一关键因素的变化仅仅引起数据在某项特征上的变化，而其他的特征不受影响，这有利于应对机器学习在模型可解释性、对象生成和操作以及零样本学习等问题上的挑战，一直是机器学习领域的研究热点。从解耦表征学习的历史与动机入手，对解耦表征学习的研究现状以及应用进行归纳总结，分析了解耦表征所具有的不变性、复用性等特性，介绍了基于生成解耦表征变差因素研究、基于流
现有新闻推荐模型在挖掘新闻特征和用户特征时，往往没有考虑所浏览新闻之间的关系、时序变化以及不同新闻对用户的重要性，缺乏全面性；同时，现有模型也在新闻更细粒度的内容特征挖掘方面有欠缺。文中构建了一个能够全面而不冗余地进行用户表征、提取新闻更细粒度片段特征的新闻推荐模型——注入注意力机制的深度特征融合新闻推荐模型。该模型采用基于深度学习的方法，通过注入注意力机制的卷积神经网络对新闻文本特征矩阵进行深度
近年来，深度学习技术在文本情感分析领域的可行性和实用性日趋升高。针对卷积神经网络CNN具有特征强学习能力，善于提取文本的空间局部特征，但忽略其上下文语义联系；而循环神经网络RNN善于学习序列信息，但存在易丢失记忆信息、忽略上下文非连续词之间相关性和梯度爆炸等问题。提出了一种基于注意力机制的多通道卷积和双向门控循环神经网络模型(MC-BiGRU-Att)用于文本情感分类任务。两种模型分别学习获取文本
由于EGM2008重力场模型展开阶次有限，存在截断误差，利用高分辨率的数字高程模型（DEM）可以对其截断误差进行有效补偿。本文采用美国实测地面重力数据分析了不同分辨率DEM计算的剩余地形模型（RTM）对EGM2008模型截断误差的补偿效果，实验结果表明：（1）在起伏较大的山区，不同分辨率DEM计算的RTM扰动重力对EGM2008模型的补偿效果均显著，可达到70%以上；而在平原地区，这种补偿效果减弱
在显著的类内变化中所学特征是否具有较好的不变性会决定行人重识别模型的性能表现的上限，环境光线、图像分辨率变化、运动模糊等因素都会引起行人图像的颜色偏差，这些问题将导致模型对数据的颜色信息过度拟合从而限制模型的性能表现。通过模拟数据样本的颜色信息丢失并凸显样本的结构信息可以促进模型学习到更稳健的特征。具体来说，在模型训练时，按照所设定的概率随机选择训练数据批组，然后对所选中批组中的每一个RGB图像样
高分辨率遥感图像分割在军事、民用等领域具有良好的应用前景，但由于复杂的背景条件以及干扰物的遮挡，导致现有算法无法较好地从遥感影像中提取道路细节信息。研究基于改进U-Net网络模型，提出了MDAU-Net（multi dimension attention U-Net）网络结构模型：通过对U-Net网络结构加深至七层结构来提升精细分割道路的能力；并提出了一种多维注意力模块MECA（Modified
已有很多机器学习算法能够很好地应对预测分类问题，但这些方法在用于小样本、特征空间很大的医疗数据集时存在着预测准确率和F1值不高的问题。因此，为改善肝移植并发症预测的准确率和F1值，提出一种基于迁移成分分析(TCA)和支持向量机（SVM）的肝移植并发症预测分类方法。该方法采用TCA进行特征空间的映射和降维，将源领域和目标领域映射到同一再生核希尔伯特（Hilbert）空间，实现边缘分布自适应，迁移完成
为探索国产卫星GF-1预测土壤有机质(SOM)的能力，本研究以广东省云浮市的罗定市为研究区，以GF-1多光谱遥感影像衍生的9个遥感变量和DEM提取的9个地形水文变量为预测因子，建立2种人工神经网络模型(A模型：地形水文；B模型：地形水文+遥感)，对5个土壤深度(L1: 0 ～ 20 cm，L2: 20 ～ 40 cm，L3: 40 ～ 60 cm，L4: 60 ～ 80 cm，L5: 80 ～ 1
相较于传统单极化SAR，全极化SAR（polarimetric synthetic aperture radar，PolSAR）能够获取更加丰富的地物目标极化散射信息，更全面地描述目标的几何物理特征。为了充分利用地物目标的极化散射信息，基于复Wishart分布的极化似然比检验原理（polarimetric likelihood ratio test，PolLRT），构建了极化似然比统计量来准确评价