融合域自适应和弱监督策略的遥感影像建筑物提取算法

常见的建筑物提取算法主要采用全监督的方式实现，得到的模型通常在训练数据集上表现良好，而在跨区域使用时效果不佳。基于生成对抗网络的域自适应方法虽然在一定程度上能够增强网络的迁移能力，但由于缺乏目标域关键信息，效果难以保证。设计了一种全新的端到端弱监督建筑物提取网络。首先，采用像素关联模块来提升生成网络的性能；然后，在此基础上综合运用域自适应和图像级弱标签两种策略来优化训练过程，从而大幅提升了网络模型的泛化扩展性能。采用3组数据对所提方法的有效性进行了验证，通过大量实验证明了所提方法可以有效提升建筑物提取的性能。同时，通过消融实验验证了网络中各个模块的有效性。     

跳频信号盲检测的半监督干扰对消方法

实际跳频信号所处的电磁环境较为复杂且难以预料，这给基于仿真数据训练的检测算法带来困扰。针对这一问题，提出一种名为半监督干扰对消的方法。该方法首先以暹罗嵌套Unet为主干，引入图注意力机制和集成通道注意力模块，得到干扰对消网络，并用成对的跳频信号时频图以及对应的标签对其进行预训练，使其获得干扰对消及检测信号的能力。然后，将没有标签、干扰更为复杂的时频图输入到干扰对消网络，得到低熵预测，作为伪标签。同时，对这些没有标签的时频图进行强增强，得到变形时频图。训练网络使得变形时频图的检测结果与伪标签具有一致性，从而强化网络在没有标签的数据上的泛化能力。仿真结果表明，所提方法可以在复杂干扰下实现参数估计和盲检测，并利用无标签数据增强网络性能。     

一种基于弱标签的三维模型语义自动标注方法

随着三维应用的普及,三维模型大量产生并广泛传播。由于三维模型广泛应用于计算机辅助设计、三维游戏、电影特效制作等诸多领域,已经形成了大量的三维模型数据库。三维模型语义标注的目的是给出描述其语义的标注词,是三维模型管理和基于文本的三维检索的关键技术。针对互联网大量存在的弱标签三维模型现状,提出一种基于弱标签的三维模型语义标注方法LPMLL,首先,采用半监督学习方法进行标签传播,得到标注词置信度,达到提升训练集的目的。然后,采用一种基于最大后验概率准则的方法进行多标签学习,得到最终标注词。实验数据表明了该方法的有效性。     

一种基于模型共享的半监督多标签图像学习法

提出一种快速且有效的半监督多标签学习方法:模型共享半监督推举。该方法能发现、共享并组合多个基模型,每个基模型是在某个标签上利用半监督支持向量机(S3VM)上学习的。通过使用模型共享,标签关联被显示地利用且对于每个标签来说只需要少量的基模型即可生成最后的决策结果。在Corel5k和Mediamill数据集上评估方法,实验结果显示的方法与当前流行的监督和半监督多标签学习方法是可比的。     

代价敏感的客户流失预测半监督集成模型研究

客户流失预测是企业客户关系管理的重要内容.在现实的很多客户流失预测建模过程中,由于数据类别的高度不平衡现象的存在,使得模型的分类性能低下,不能很好地进行分类预测.同时由于现实情况中只有少量有类别标签的样本,更多的是无类别标签数据的存在,造成了大量有用信息的浪费.为了解决以上两个问题,本研究将元代价敏感学习,半监督学习和Bagging集成等技术结合,提出了代价敏感的客户流失预测半监督集成模型(semi-supervised ensemble based on metacost,SSEM).该模型主要包括三个阶段:1)用Metacost方法修改初始有标签训练集L的类别标签,得到新的训练集Lm,并将其随机的分为模型训练集Ltr和模型验证集Va;2)使用Va挑选分类精度最高的三个基分类器,并用其选择性标记无类别标签U中的样本,并将它们添加到Ltr中;3)用新的模型训练集Ltr训练N个基本分类模型,并对测试集样本进行分类,进一步将分类结果进行集成.在两个客户流失预测数据集上进行实证分析,将SSEM模型与常用的监督式集成模型以及半监督式集成模型相比,结果表明,SSEM具有更好的客户流失预测性能.     

基于多特征标签相关性学习的图像自动标注

在网络真实环境下的图像数据集上的大规模语义标注是一个研究难点.提出了一种基于多特征标签相关性学习的图像语义标注方法,针对真实环境下大规模图像集合进行自动标注.首先提取图像多种视觉特征,采用多标记学习方法在特定特征空间完成标注词相关性学习,得到每幅图像的单特征标注词相关度;然后采用一种动态阈值确定方法估计单个特征和标注词的相关度阈值;最终采用一种无监督组合方法融合多种特征标和标注词的相关性生成图像语义标签.通过互联网数据集上的测试表明了方法的有效性.     

半监督稀疏近邻保持投影

提出了改进的稀疏子空间学习方法。首先,提出了稀疏近邻相关性重构模型,该模型通过提取样本间的局部信息和标记样本的标签信息,解决了稀疏子空间学习的全局特征导致数据描述不充分的问题;其次,利用半监督技术,引入正则化参数对无标签判别特征和标签判别特征进行特征融合,提高了基于稀疏近邻相关性重构的子空间学习算法的性能。实验结果表明,该方法具有较高的分类性能和识别率,此外,稀疏近邻相关性重构在提取判别信息时具有良好的稳定性。     

基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中特征提取及识别问题, 提出了一种基于一维堆叠池化融合卷积自编码器(one-dimensional stacked pooling fusion convolutional autoencoder, 1D SPF-CAE)的识别方法。首先构造一维池化融合卷积自编码器(one-dimensional pooling fusion convolutional auto-encoder, 1D PF-CAE), 在编码阶段, 采用最大池化和平均池化同时提取不同的编码特征并进行融合来提取HRRP的结构特征; 然后堆叠多个1D PF-CAE形成1D SPF-CAE; 最后使用标签数据对网络进行微调, 实现HRRP目标识别。并使用AdaBound算法优化网络训练来提高识别性能。基于弹道中段目标仿真数据的实验结果表明, 该方法具有较强的特征提取能力, 对于HRRP目标识别准确率高、鲁棒性强。     

面向查询点的遥感影像哈希检索方法

由于存储成本低,查询速度快,哈希检索算法已被广泛应用于大规模影像检索。针对大规模遥感影像数据集训练低效问题,提出了面向查询点进行特征学习的遥感影像检索方法。首先,利用深度卷积网络对具有多语义标签的遥感影像数据训练集提取遥感影像特征;然后,面向查询点学习得到哈希函数并生成查询点的二进制哈希码;最后,通过迭代学习得到整个数据库的二进制哈希码来实现影像检索,有利于提高检索精度;同时,该方法避免了对整个数据库进行特征提取,从而可以更有效地利用大规模数据库中的监督信息。在3个不同数据集上的实验结果表明,该方法检索性能优于其他多种先进方法。     

基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

融合边缘检测模块的自然地貌语义分割模型研究

针对遥感图像自然地貌边缘的像素点归类问题,提出融合边缘检测模块的多通道融合模型与解码器端模块模型.边缘检测模块以Canny算子为基础进行闭运算及均值滤波处理得到精确化的图像边缘.语义分割网络以DeepLabV3+为基础,分别从编码器及解码器端并联边缘计策模块.实验结果表明,改进后的2种网络相比原DeepLabV3+网络...     

基于改进Deeplabv3+的烟雾区域分割识别算法

烟雾遮挡使基于图像的寻的制导系统目标识别困难,如何提高该类区域分割识别准确性、降低虚警率是一个亟待解决的课题。现有Deeplabv3+算法对烟雾分割时存在漏分割、错分割等问题,细节损失严重,整体分割精度低。本文提出基于改进Deeplabv3+模型的烟雾区域分割算法,创新异感受野融合的基于空洞卷积的金字塔构型(atrous spatial pyramid pooling, ASPP)结构,进一步扩大空洞卷积感受野,降低信息损失带来的不良影响;优化骨干网络,加入多尺度融合模块,降低网络参数量和计算量;引入通道注意力模块,强化对重点通道的特征学习能力,提高模型训练速度和分割精度。实验结果表明,改进Deeplabv3+模型在测试集中平均交并比为91.03%,分割效率为12.64帧/秒,分割效果远远优于传统模式识别算法;与Deeplabv3+基础模型相比,以较小的检测效率损失为代价取得了更高的分割精度,全场景理解和细节处理能力均有明显提升。     

商业银行非现场监管的模式识别方法

商业银行非现场监管在整个商业银行监管体系中占有中枢神经的地位，文章将商业银行非现场监管作为模式识别分类问题进行研究，提出了通过神经网络的建模，构造基于马哈拉诺比斯距离的联合判别模型的方法，并以实际数据为基础验证了模型的有效性，进行了商业银行分类识别。     

基于复数卷积-残差网络的雷达杂波幅度统计模型分类

雷达杂波幅度统计模型分类是进行杂波背景下检测目标的重要步骤。雷达杂波原始数据通常是复数数据, 但现有杂波幅度统计模型分类研究都是在实数数据上完成的。复数数据同时包含幅度和相位信息, 更丰富的信息量有助于雷达杂波幅度统计模型分类。为此, 引入复数神经网络, 利用仿真杂波高分辨距离像(high resolution range profile, HRRP)复数数据, 对雷达杂波幅度统计模型分类问题进行研究, 完成了以下工作: 一是为构建复数最大池化层, 定义并改进了复数最大池化算法, 通过复数卷积神经网络(complex-valued convolutional neural networks, CV-CNN) 对杂波幅度统计模型的分类实验, 对比了两种复数最大池化算法和复数平均池化算法的分类效果, 实验结果表明复数最大池化算法的分类效果更好, 分类准确率为97.29%;二是为进一步提高分类准确率, 构建了复数卷积-残差网络(complex-valued convolution-ResNet, CV-CRN), 通过实验对比分析了CV-CRN的性能, 实验结果表明, CV-CRN的分类性能优于CV-CNN, 分类准确率达到98.84%, 并具有较好的鲁棒性。     

动态模糊语义网及其并行执行

本文讨论了动态模糊语义网的概念及其在曙光１０００并行机上的实现问题。如何将模糊结点最优分配到并行多处理机的处理器上的问题是ＮＰ完全型的。本文提出了一种基于模拟退火思想的算法解决了模糊结点的分配问题，并在曙光１０００并行机上对结果进行了验证。     

光学遥感图像目标检测方法

更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。     

基于YOLOv5的舰船目标及关键部位检测算法

为进一步提升对可见光图像中水面舰船目标的检测识别成功率, 提出一种基于YOLOv5的舰船目标识别算法。使用基于随机池化方法的空间金字塔池化网络, 运用双向特征金字塔网络进行多尺度特征融合, 采用指数线性单元函数作为激活函数加快网络训练收敛速度, 提升算法鲁棒性, 从而实现了对水面舰船目标和舰船关键部位的快速准确识别。通过在舰船目标及其关键部位数据集上实验验证, 对比多个经典目标检测方法, 在识别准确率上均有不同程度提升, 对比原YOLOv5s模型, 平均精度均值提升3.03%, 速度提升2 FPS, 模型保持了YOLOv5轻量化的特点, 在应用部署上有良好前景。     

基于特征匹配的舰载对陆导弹目标识别模型

针对传统基于前视模板的匹配算法中难以直接识别与跟踪建筑等目标的问题, 提出基于特征匹配的对陆导弹目标识别模型。该模型通过对末制导导引头图像预处理, 利用改进YOLOv3深度学习目标检测算法和改进Deeplabv3+深度学习语义分割算法来识别目标区和烟雾区, 采用并行法排除烟雾遮挡对目标识别的干扰, 最终判别分析规则判断模型是否识别成功。仿真实验结果表明，该模型能够快速有效精确地完成对陆地目标的识别, 兼具较好的抗烟雾干扰能力, 有利于提高对陆导弹的目标识别水平与作战效果。     

移动核心网异常数据线性判别模型与应用

针对移动核心网数据突增现象下异常数据的特性,定义了数据突增事件、最大承载量临界值、风险警界线等, 给出了 TRAU 数据两类模式(“正常”、“异常”)的划分方法.提出并建立了移动核心网数据突增现象下异常数据线性判别模型和判别准则,用来对某移动核心网 BSC 的 TRAU 数据进行判别分析. 判别结果表明,本文所建立的异常数据线性判别模型对原数据样本的回判以及对新数据样本的识别准确率都达到 100% .     

标签分割的软件定义飞行自组网控制器智能部署方法

针对当前软件定义飞行自组网中多控制器部署面临的负载不均衡和网络可靠性问题, 提出一种标签分割的控制器智能部署方法。该方法能够在不预设控制器数量的条件下, 根据控制器容量约束和网络结构, 输出最佳控制器数量及部署位置。基于节点自身特征和关联特征赋予节点标签, 根据标签完成控制域划分并通过布谷鸟搜索算法优化划分过程。在此基础上，考虑控制器平均时延、负载差异度和控制域时延波动的影响, 确定控制器部署位置。仿真结果表明，所提算法能在保证网络可靠性的同时有效减少控制器数量, 降低部署成本; 同时, 降低控制器平均时延和负载差异度, 保证各控制域间平均时延的相对平衡, 实现网络均衡。