【摘 要】
：
大量的云层覆盖严重影响卫星遥感影像的地物判读,为有效提高资源利用率,云检测已成为分析卫星遥感影像数据的首要工作。高空间分辨率遥感影像能够精确观察小空间尺度上的地表细节,但与此同时也对云检测技术提出更为严苛的要求。大多数高空间分辨率遥感影像仅含有红、绿、蓝、近红外四个波段,传统需要依赖大量特定波段的云检测算法难以对其发挥优势。因此,本文在研究国内外相关云检测算法的基础之上,结合深度学习技术提出具有普
论文部分内容阅读
大量的云层覆盖严重影响卫星遥感影像的地物判读,为有效提高资源利用率,云检测已成为分析卫星遥感影像数据的首要工作。高空间分辨率遥感影像能够精确观察小空间尺度上的地表细节,但与此同时也对云检测技术提出更为严苛的要求。大多数高空间分辨率遥感影像仅含有红、绿、蓝、近红外四个波段,传统需要依赖大量特定波段的云检测算法难以对其发挥优势。因此,本文在研究国内外相关云检测算法的基础之上,结合深度学习技术提出具有普适性和鲁棒性的云检测方法。主要的研究工作和结论如下:（1）鉴于目前并没有针对高空间分辨率遥感影像云检测任务的专用数据集,本文提出了基于区域生长法的半自动标注方法——Cloud Label,并采用该方法生成了云检测专用数据集。Cloud Label首先利用区域生长法获得云标注粗结果,然后采用孔洞填充、引导滤波等多种形态学处理方法进行优化。实践证明,Cloud Label保留了云区边缘细节,相比于Labelme标注方法的云检测准确率提升了3.1%。（2）高空间分辨率遥感影像中含有大量高亮物体,仅仅依靠反射率这一特性很难区分云和其他地物,若结合灰度、纹理以及空间特性等浅层特征也容易造成误判。为此,本文提出了基于Red Net-Deeplab V3+模型的云检测方法,该模型在原始Deeplab V3+模型中添加内卷积,并结合Poly学习率变更策略。结果表明,该方法对于复杂下垫面的云检测准确率高于0.9,云检测精度优于U-net模型、DANet模型和Deeplab V3+模型,并且具有更强的薄云识别能力。
其他文献
气动优化设计是航空航天飞行器设计等应用的重要组成部分,随着飞行器产业的发展和应对复杂现实环境需求的提升,气动优化往往涉及许多相互交织影响的因素,容易导致设计优化空间“爆炸”。全阶的计算流体力学（CFD）方法虽然能够针对特定流动状态进行高精度的模拟,但往往耗时较长难以进行全面的设计空间探索。基于传统机器学习方法的优化技术在构建代理模型、降阶模型等方面有广泛的应用,但这类方法多适用于简单气动优化问题,
图像的深度信息在自动驾驶、3维重建、自主导航等领域中起着至关重要的作用。立体匹配（即RGB双目深度估计）技术能够利用不同视点的平面图像间接地恢复场景的深度信息。这种方式简单高效且成本低廉。近年来,随着神经网络在计算机视觉的广泛应用,基于神经网络的立体匹配方法在精度上取得了重大突破,受到了研究人员的广泛关注。作为非接触测距的重要手段,传统立体匹配方法（互信息、Census变换、SGM算法等）在精度上
黎锦,也被称作黎族文化的“活化石”,见证了黎族千年历史,因其丰富的纹样类型闻名于世。而黎锦蛙纹作为黎锦纹样中非常重要的品类,蕴含了丰富的文化内涵。本文通过文献查阅法、二手资料归纳法、实地调研法、采访访谈法,着重研究黎锦蛙纹的创新应用。第一二章节从黎族蛙纹的起源与发展入笔,分析黎锦蛙纹形成的历史、自然以及宗教因素。对黎锦蛙纹目前的主流分类情况作说明与阐述。后着重描述黎锦蛙纹的形式特点,从纹样构成的角
源代码漏洞检测是网络空间安全领域一项重要的研究内容。现有的软件源码漏洞检测技术仍存在一些问题。基于传统方法的检测技术依赖于人工经验和专家知识对漏洞特征进行建模,复杂程度高,效率低;在基于深度学习的检测技术中,虽无需人工对漏洞特征建模,但程序源代码建模和神经网络模型构建仍存在一些亟需解决的问题。因此,研究深度学习与源代码漏洞检测相结合的检测方法,实现对程序源码高效的漏洞检测,对提高自主研发软件的安全
近年来,“建设活力楚雄,打造彝族文化名都”是楚雄自治州州委及各级政府的主要工作目标。本研究在此背景下,积极挖掘当地彝族服饰文化遗产中的马樱花纹样,并将其运用于文创产品的设计开发之中,力求推进活态传承与创新的思路。就整体而言,马樱花纹样具有重要装饰作用,是比较典型的楚雄彝族服饰元素。在无形的民族精神层面,马樱花寓意为“大而昌盛的花”（彝语音为米依噜）是彝族的图腾;在有形的传统服饰层面,透过各式各样的
拜占庭各个时期的土地关系存在诸多值得深入研究的问题。在拜占庭早期,土地劳动者中出现了新的"隶农"阶层,他们源于自由农地位的下降和奴隶地位的上升。自由农群体依然存在,他们和隶农遭受诸多剥削,逐渐依附于大地主阶层。拜占庭统治者为了保证税收资源,打击大地主吞并土地的行为。地主与农民之间剥削与被剥削的关系,以及中央政府与大地主阶层为了争夺土地资源而发生的矛盾,贯穿于整个拜占庭历史。围绕土地关系,拜占庭中晚
随着经济、军事力量的增长,我国海洋权益保护的需求不断增长。着力提升海洋装备水平对于建设海洋强国的目标具有重要意义。无人艇以其高速机动性和快速反应能力在军事和民用领域取得了广泛应用,对于加强海上活动监管、守护海域安全具有重要意义。深度学习技术的快速发展为无人艇自主化、智能化水平的提升创造了有利的条件。本文以提升无人艇的环境感知能力为出发点,重点对深度学习目标检测技术开展研究,致力于提升无人艇平台视觉
目前车辆检测、人脸识别、行人检测与跟踪、遥感图像检测、无人驾驶等有关计算机视觉的研究已取得了较好的实际应用效果。在国防建设领域,对武器装备进行自动识别的需求逐渐增加。对于海上舰船目标,以往都是借助雷达等设备进行跟踪监测,以及使用卫星遥感图像来侦测识别,但这些方法都无法辨别出具体的舰船类型和舷号,不足以针对性的对某艘舰船进行实时监察与行迹分析等后续任务。因此,依托于当前计算机视觉研究的成果,基于深度
7—8世纪是晚期罗马帝国向中古拜占庭帝国转型的最后阶段。法律编纂呈现了帝国统治者的治理理念，反映了转型过程。《民法大全》在适用中面临法学传承、语言等难题，是转型前“罗马困境”的缩影。7—8世纪的法律编纂，弱化罗马法的部分原则，吸纳希腊法和不成文法，同时实现全面基督教化，基督教信仰成为立法精神、法律渊源和法条内容等。该时期拜占庭统治者在坚守罗马帝国名号和威权的前提下，放弃或淡化了传统理念中的拉丁区域
雷达辐射源信号的分选与识别是电子战的重要组成部分与关键环节,一直是国内外学者的研究热点。近年来,随着雷达体制的升级与雷达信号技术的发展,电磁环境变得日益复杂,同时伴随各国电磁保密意识增强,提前获得非合作雷达辐射源的标签与调制方式等信息也越来越困难,这些对传统的雷达辐射源分选方法和手段带来了严峻挑战。针对上述问题,本文提出了使用无监督深度学习算法提取信号特征,并采用合适聚类算法完成非合作雷达辐射源信