【摘 要】
:
激光雷达(Li DAR)技术是一种主动式遥感技术。Li DAR数据可以提供研究区域的地物高度等有价值的信息,以便于计算机处理区分地物类别。传统卷积神经网络(CNN)近些年已经被广泛应用于遥感图像分类领域,但是传统CNN随着网络深度的增加会出现过拟合问题。深度神经网络中带有跳跃连接的残差网络(Res Net)可以缓解以上问题,但Res Net在加深网络过程中也存在特征图尺寸逐渐减小,丢失细节信息等问
论文部分内容阅读
激光雷达(Li DAR)技术是一种主动式遥感技术。Li DAR数据可以提供研究区域的地物高度等有价值的信息,以便于计算机处理区分地物类别。传统卷积神经网络(CNN)近些年已经被广泛应用于遥感图像分类领域,但是传统CNN随着网络深度的增加会出现过拟合问题。深度神经网络中带有跳跃连接的残差网络(Res Net)可以缓解以上问题,但Res Net在加深网络过程中也存在特征图尺寸逐渐减小,丢失细节信息等问题。因此,本文以Res Net作为核心基础网络,并对其进行改进优化,在模型的分类精度与时间复杂度之间达到平衡,本文主要内容包括:首先,对比了国内外近几年基于传统方法和基于深度学习方法的Li DAR数据分类研究,为后续模型的改进提供依据。同时为了对本文所提模型进行综合评估,使用了遥感图像分类领域的评价指标。其次,设计并实现了基于空洞残差胶囊网络的Li DAR数据分类算法Dilated-Res Caps Net。该模型以Res Net-34网络为基础,将空洞卷积模块引入Res Net网络中,空洞卷积扩张率的设计采用奇偶混合扩张率,并利用胶囊网络进一步提取更详细的空间特征信息。本模型既克服了传统CNN对空间信息不敏感的问题,又提升了提取目标精细特征的能力。与一些经典算法进行对比,Dilated-Res Caps Net有更好的分类效果。最后,设计并实现了基于残差网络的Transformer Li DAR数据分类算法Res Transformer。该模型针对Transformer捕获全局特征表示以及Li DAR数据存在的小样本问题,将残差网络与Transformer相结合,以交互的方式在不同分辨率下融合局部特征表示和全局特征表示。同时针对模型训练过程中的过拟合问题本模型引入了标签平滑正则化方法。最后利用多层感知机输出分类结果。与一些经典分类算法相比,模型训练时间更短,减少计算资源的消耗。
其他文献
螺纹插装式液压阀是继板式阀、管式阀、叠加式阀和二通插装式阀之后的又一种液压控制阀,其具有零泄漏、结构紧凑、加工改型相对容易、连接简单、重量轻、成本低等优点,有非常广阔的应用前景,是液压控制技术的一个重要发展方向。本文以一款螺纹插装式电磁换向阀为研究对象,采用多物理场耦合的仿真方法,对其流量压力特性、高温高压形变、电磁驱动性能和过渡过程特性等进行了系统的仿真研究与理论分析。研究成果对于该类阀的设计、
随着大数据和人工智能的快速发展,数据也随之变得愈来愈复杂,人们开始对这些多样的数据展开研究。正因为数据的多样性,不确定数据也随之衍生出来。数据的不确定性主要包括两方面,一方面是数据自身的不确定性,另一方面是数据属性级别的不确定性。本文主要针对确定数据和不确定数据做了相应的研究。首先针对确定数据在聚类时随机选取数据作为初始聚类中心以及对初始聚类中心敏感的问题,提出了一种新的模糊C均值聚类算法。然后针
阿尔兹海默症(Alzheimer’s Disease,AD)作为一种威胁老年人生命健康的退行性疾病,伴随着记忆衰退和认知障碍,对人们的生活和社会的发展都产生极大的影响。全球人口老龄化日益严重,有关AD的研究也逐渐成为医学领域的热点。由于AD早期症状不明显,等到发现时多处于中期甚至晚期阶段,导致患者错过最佳的治疗时间。因此,尽早的发现和治疗是延长患者存活时间的关键。由于广泛使用的机器学习模型在各个A
密度峰值聚类算法在人工确定聚类中心之后仅通过一次遍历就能实现非聚类中心点的有效分配。该算法思想简单且具有较强的实用性,但仍存在一些亟待解决的问题,如基于全局参数dc计算局部密度和斥群值且聚类结果对dc敏感,无法自适应确定聚类中心,处理密度不均数据集时准确率较低,处理复杂流型结构数据集时容易错误分配剩余样本点等。本文针对上述问题提出对应的改进策略。针对密度峰值聚类算法存在的dc敏感,需人工确定聚类中
COVID-19冠状病毒是2019年开始在全球范围内传播的一种大规模传染性呼吸道疾病。COVID-19不仅对我们的生活、日常习惯和医疗保健系统产生了普遍有害的影响,而且还会让我们因为感染而导致死亡。无论何时,要对一个新病毒进行研究,都得提取其基因,然后在数据库搜索是否有同源基因的存在。由于基因测序技术的发展,字符串匹配算法作为一种传统的算法受到了巨大的挑战。研究表明,基因测序过程中会出现大量的短读
研究了深冷处理与传统热处理对35CrMo合金结构钢的力学性能、尺寸稳定性和微观组织的影响。采用圆环三角法对不同工艺处理后的尺寸稳定性进行评价。结果表明,淬回火后增加深冷处理能够使35CrMo的抗拉强度提高32 MPa,屈服强度提高33.5 MPa,伸长率提高26.7%,冲击韧性保持不变。高温回火后材料内应力得到充分释放,试样的稳定性较好,增加深冷处理能够进一步提高材料的尺寸稳定性。淬火后回火前增加
随着深度神经网络技术的发展和日益增长的工业需求,目标检测越来越受到人们的重视,并取得了显著的成绩。目前,大多数算法都是针对一定尺寸的常规目标。然而,由于小目标的尺寸相对较小,经过神经网络的下采样处理后像素数目越来越少,导致提取的目标特征不明显。检测中经常出现漏检和误检,严重影响了目标检测的效果。本文针对小目标检测效果差的问题,在算法的特征提取部分,采用并行卷积、空洞卷积以及残差网络来增大特征图的感
基于数据相关性的深度异常检测方法旨在挖掘数据样本更深层次的特征信息,通过深度学习的方法对获取的数据样本进行训练。目前,在异常检测领域传统方法和深度学习方法依然存在问题。大多异常检测方法只是对数据样本本身特征的研究,并没有考虑到数据样本之间的关联性,会丢失一些原始样本的特征,造成检测效果不理想。基于自编码器的异常检测采用重构误差作为异常分数,无法通过客观方法确定适当的权重。为了避免原始样本特征的丢失
温度作为常见的物理量之一,对人们的生产生活起着重要的作用,因此,温度的测量与控制有非常重要的意义。与传统的温度传感器相比,光纤温度传感器具有体积小、耐腐蚀、重量轻等优点,尤其是光纤法布里-珀罗干涉计(FPI),还具有结构简单、稳定性好的优点,近年来受到了研究者的广泛关注。然而,受二氧化硅材料热膨胀系数和热光系数偏低的影响,全光纤单腔温度传感器的灵敏度仅约为10pm/℃。近年来,光学游标效应被广泛用
多目标跟踪方法一直是计算机视觉领域的研究热点,被广泛应用于智能监控和智慧交通等领域。然而在多目标跟踪中,当目标发生移动,导致目标形态变化或目标发生遮挡,造成目标特征提取困难以及特征提取不充分等问题。从而影响目标检测任务的精度,进而影响多目标跟踪的性能。因此本文分别针对多目标跟踪中的检测和跟踪任务进行研究,提出了一种基于SDA-DLA34-R的多目标检测跟踪算法(An improved DLA34