基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

常见抗精神病药物的合成及应用进展

对传统的抗精神病药氯丙嗪、氟哌啶醇和舒必利,以及以利培酮、奥氮平、半富马酸喹 硫平、齐拉西酮、阿立哌唑、鲁拉西酮为代表的新型抗精神病药物的合成方法和应用进行了总结,并对以鲁拉西酮为先导化合物的新型抗精神病药的设计进行了展望。     

面向变化检测的SAR图像超像素协同分割算法

针对面向对象的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中存在的多时相图像边界和空间对应关系不一致的问题,提出了一种面向变化检测的SAR图像超像素协同分割算法。首先,分别计算两幅不同时相SAR图像中两个像素点之间的强度相似度,并进行加权组合得到新的像素强度相似度。其次,对两幅不同时相的SAR图像及其对数比值图分别进行边缘提取,以同一像素位置的最大边缘值构造二值边缘图。最后,以融合了像素强度、空间距离和边缘信息的相似度代替CIELAB彩色空间相似度,利用改进简单线性迭代聚类算法对多时相SAR图像进行超像素分割,得到边界准确、空间对应的协同分割结果。基于一组仿真和一组实测多时相SAR图像的协同分割实验结果表明,该方法的边缘贴合率、欠分割误差和可达分割准确率均优于其他4种经典方法。     

水稻黄单胞菌2个致病变种的表型和趋化性比较研究

水稻白叶枯病菌和水稻条斑病菌是水稻黄单胞菌Xanthomonas oryzae种下的2个致病变种,其侵染水稻的途径、定殖部位和引起的症状明显不同。本文采用平板法和毛细管法分别对2个病菌的基本表型和趋化性进行比较分析,并采用剪叶接种法和压渗接种法,检测了它们在水稻日本晴Oryza sativa L.japonica品种上的致病性。结果表明,2个病菌在部分检测指标上保持一致,均能形成隆起的黄色菌落,能合成相当数量的胞外多糖和胞外淀粉酶,对蔗糖、多种氨基酸、水稻提取物的趋化反应一致。然而,两菌在胞外蛋白酶和纤维素酶分泌、运动性,以及对葡萄糖、木糖、果糖、柠檬酸、多种植物激素趋性方面存在明显差异。     

基于SNIC的双时相SAR图像超像素协同分割算法

针对面向区域的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题, 提出了一种基于简单非迭代聚类(simple non-iterative clustering, SNIC)的双时相SAR图像超像素协同分割算法。首先, 构造一幅包含双时相SAR图像特征的融合图像, 计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次, 采用一种高效的多尺度弱边缘检测算法, 对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后, 将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度, 实现对SAR融合图像的超像素分割, 得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明, 该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。     

基于中心点和语义信息的多方向遥感舰船检测

在高分辨率遥感影像解译中, 舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题, 本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information, RSI-CenterNet)的多方向遥感舰船目标检测方法。首先, 基于关键点检测网络, 在检测阶段添加目标角度回归分支, 以预测目标方向; 其次, 添加语义分割分支, 并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息; 最后, 引入注意力模块, 以强化目标显著区域与通道的特征, 提升检测精度。实验结果表明, 与其他多种先进方法相比, 本文方法具有更高的检测精度与检测速度, 在高分辨率船舶数据集(High Resolution Ship Collections 2016, HRSC2016)上的平均精度达到88.31%, 检测速度达到17.8 FPS。