GIS空间数据转化的若干方法

~~GIS空间数据转化的若干方法$福州大学@郑茜颖     

基于注意力机制的红外与可见光图像融合网络

针对现有融合方法缺乏通用性的问题,提出一种结合空间注意力和通道注意力的特征融合网络,设计一个端到端融合框架,采用两阶段的训练策略进行训练。在第一个阶段,训练一个自编码器用来提取图像的特征;在第二个阶段,使用提出的融合损失函数对融合网络进行训练。实验结果表明,该算法既能保留红外图像显著目标特征,还能在保留可见光图像细节上有很好的特性。主观和客观的实验分析验证了该算法的有效性。     

结合可逆网络的超高分辨率图像的风格迁移

针对处理超高分辨率图像时面临的内存成本和风格迁移过程中过度风格化,提出了一种结合可逆网络的超高分辨率图像的风格迁移方法。该算法采用可逆的Glow模块作为基本单元构建可逆神经网络模块,并将图像分为小块处理;在风格迁移模块中使用具有通道注意力机制的残差模块和缩略图实例化归一化模块(TIN),以保证各模块风格一致;提出基于全局-局部的损失计算方式,能够有效地处理局部的结构特征。实验结果表明,相较于当前通用的各种神经风格迁移网络,所提算法不仅能够避免图像在编码和解码过程中的信息丢失问题,而且能以更低的内存成本实现更优的风格迁移。     

基于深度学习的光伏板缺陷分类定位算法研究

提出了一种基于深度学习技术的光伏板缺陷分类定位方法,用于快速准确地确定光伏板缺陷的位置和类型。为了克服传统单张图像缺陷检测方法的视角限制,采用图像配准、拼接等算法生成高分辨率的光伏全景图像,并使用深度学习技术对光伏板红外图像进行缺陷分类,通过与可见光图像进行对比,可以有效地确定光伏板缺陷的类型。光伏板缺陷分类的准确率、精确率、召回率和F1分数分别达到了93.71%、93.13%、93.20%和93.11%。与传统方法相比,该方法具有非接触、高效和快速等优点,适用于大规模光伏板缺陷的检测和定位,能够在短时间内获取准确、全面的光伏板缺陷信息。     

结合扩张金字塔的脑部医学图像融合

针对现有脑部医学图像融合算法存在的融合图像细节模糊和边缘性差等问题,设计一种扩张金字塔特征提取算法,由特征提取器、特征融合器和特征重构器3部分组成。特征提取器由扩张金字塔特征模块提取浅层和深层图像特征的结合,防止图像细节信息的丢失;特征融合器采用改进的功能能量比（Functional Energy Ratio,FER）特征融合策略增强融合图像边缘信息;特征重构器由4层卷积构成归一化图像。实验结果表明,相较于当前通用的脑部融合算法,所提出的算法具有较好的视觉效果和细节信息,客观评价指标有更好的表现。     

基于GPS技术的监控系统研究

利用GPS技术构成的监控系统。重点阐述了监控终端设备的硬件组成及监控中心的系统软件结构。     

一种QuickBird卫星遥感影像的阴影重建方法

从理论上研究了遥感图像阴影产生的过程,得到了同一象素点在无阴影与有阴影时灰度值的定量关系。将分别采用直方图匹配法、线性相关修正法和Gamma 修正法得到的同一QuickBird影像阴影区图像重建结果进行对比,选择影像重建最适合的方法。再通过阴影边界区处理和图像平滑技术,提高图像平滑过渡特性。实验结果表明了该方法的有效性。     

一种改进的DSOD目标检测算法

针对DSOD目标检测算法对小目标检测能力较弱的问题,提出在DSOD中引入RFB_a网络模块和Atrous卷积层予以改进。首先,该算法将DSOD网络的第二个转接层产生的特征图输入到RFB_a网络模块中,经过RFB_a网络不同采样步长的Atrous卷积提取具有不同感受野的特征,为后续检测小目标步骤提供所需特征;其次,为了增加特征图的语义信息,在第二个无池化转接层后加入采样步长为6的Atrous卷积层;最后,在损失函数中加入IOG惩罚项,防止在预测密集的同类型目标时出现同类预测框重叠,从而避免在NMS后处理时出现漏检。实验表明,该算法相对于原DSOD算法具有更高的检测精度,提高了对小目标的检测能力,同时降低了训练网络的硬件设备要求。