摘要:基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型。然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息。为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN(Spectral Deformable Convolutional Neural Network)。首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱—空间联合特征。不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明:本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86%(Indian Pines,10%/类)、99.81%(University of Pavia,5%/类)以及97.41%(University of Houston,50个/类),验证了该方法的有效性。
摘要:针对室内、地下以及障碍物较多的复杂环境中,可用导航源匮乏问题,本文提出一种利用低频时变磁场实现目标高精度位置与姿态解算的解决方案。传统时变磁场定位方法要求磁信标坐标系与目标坐标系一致且无法解算目标相对姿态角信息,同时精度普遍较差。本文提出的方案在解决传统方案的局限性基础上,又提出一种基于指纹匹配的改进方案,具有穿透性好、鲁棒性强且精度高的特点。首先根据空间中测量磁场计算磁信标接收信号强度RSSI(Received Signal Strength Indicator)拟合直线,根据指纹匹配原理估计目标位置;再根据测量磁场方向矢量模型,反演解算目标姿态角信息,实现目标位置与姿态信息解算过程,研究并分析了磁信标导航系统误差来源及解决方案;最后通过对比实验,验证本文提出的算法在实验条件下,位置估计误差期望为0.069 m,姿态角估计误差期望为2.3°,且误差不随时间积累,相对于传统的磁信标导航方案具有明显优势,具有较高的工程应用价值。
摘要:持续开展生态环境遥感监测对于认识和评估全球生态系统可持续性和人类生存环境状况具有重要的科学意义,是面向“推进生态文明建设”和“构建地球生命共同体”等目标和愿景,提升综合地球观测能力和应对全球生态环境挑战的务实行动。为此,中华人民共和国科学技术部国家遥感中心聚焦可持续发展、气候变化、防灾减灾和韧性城市等优先事项,通过政府部门、科研机构、国际组织和社会公众的协同,连续十年(2012年—2021年)发布和共享了“全球生态环境遥感监测年度报告”共29个专题报告和100余个遥感数据集。此项工作取得的成果包括:在遥感技术方法创新方面,基于国产高分辨率卫星和多源遥感影像,针对生态系统状况和人类活动痕迹的高精度遥感监测取得了一批具有自主知识产权的算法模型和数据产品;在人类生存环境认知方面,显著提升了公众对粮食安全、气候变化、城市扩展、土地退化和自然灾害风险等全球生态环境热点问题的科学认知;在生态环境重点区域方面,对“一带一路”、南极、非洲、东盟等典型区域开展精细化监测和评估。该项工作是中国作为地球观测组织GEO(Group on Earth Observations)联合主席国对国际社会的实质贡献,为相关机构和部门决策制定提供了重要的信息参考。本论文在此项工作开展十周年之际,系统阐述和总结了全球生态环境遥感监测年度报告的主要内容和亮点成果,并对未来发展提出展望。