【摘 要】
：
目的高光谱遥感中,通常利用像素的光谱特征来区分背景地物和异常目标,即通过二者之间的光谱差异来寻找图像中的异常像元。但传统的异常检测算法并未有效挖掘光谱的深层特征,高光谱图像中丰富的光谱信息没有被充分利用。针对这一问题,本文提出结合孪生神经网络和像素配对策略的高光谱图像异常检测方法,利用深度学习技术提取高光谱图像的深层非线性特征,提高异常检测精度。方法采用像素配对的思想构建训练样本,与原始数据集相比
【机 构】
：
中国科学院空天信息创新研究院数字地球重点实验室,中国科学院大学,田纳西大学诺克斯维尔分校,航天飞行器生存技术与效能评估实验室
【基金项目】
：
国家自然科学基金项目(42030111,41871245)。
论文部分内容阅读
目的高光谱遥感中,通常利用像素的光谱特征来区分背景地物和异常目标,即通过二者之间的光谱差异来寻找图像中的异常像元。但传统的异常检测算法并未有效挖掘光谱的深层特征,高光谱图像中丰富的光谱信息没有被充分利用。针对这一问题,本文提出结合孪生神经网络和像素配对策略的高光谱图像异常检测方法,利用深度学习技术提取高光谱图像的深层非线性特征,提高异常检测精度。方法采用像素配对的思想构建训练样本,与原始数据集相比,配对得到的新数据集数量呈指数增长,从而满足深度网络对数据集数量的需求。搭建含有特征提取模块和特征处理模
其他文献
泵站运行环境复杂,不仅需要完好的设备支持,还需要专业的人才支持:在设备方面要做好定期维修、保养、更换,并根据泵站运行机制来制定各个阶段的运行计划,以此保障泵站安全稳定运行;在人工方面需要专业的技术人员对各个运行阶段进行精细化管理,以此有效减少泵站运行故障。因此需建立科学、规范化的管理以及人才培养制度,为泵站的安全运行提供有利的支持。
目的由于在军事和民用应用中的重要作用,高光谱遥感影像异常检测在过去的20～30年里一直都是备受关注的研究热点。然而,考虑到异常点往往藏匿于大量的背景像元之中,且只占据很少的数量,给精确检测带来了不小的挑战。针对此问题,基于异常点往往表现在高频的细节区域这一前提,本文提出了一种基于异常点粗定位和协同表示的高光谱遥感影像异常检测算法。方法对输入的原始高光谱遥感影像进行空间维的降质操作;通过衡量降质后影
目的地物分类是对地观测研究领域的重要任务。高光谱图像具有丰富的地物光谱信息,可用于提升遥感图像地物分类的准确度。如何对高光谱图像进行有效的特征提取与表示是高光谱图像分类应用的关键问题。为此,本文提出了一种结合倒置特征金字塔和U-Net的高光谱图像分类方法。方法对高光谱数据进行主成分分析(principal component analysis, PCA)降维,获取作为网络输入的重构图像数据,然后使
本文结合水文监测实际状况,对ADCP流量测验模式进行探究,寻求误差控制的措施,保障水文监测数据的精准性,探索水文监测中ADCP流量测验与误差控制。流量监测是水文监测中的关键性环节之一,流量监测的主要目的是创建出流量和水位的关系,依照水位对流量状态和径流特征进行判断,运用ADCP对水文流量进行监测,能够降低偏差值,值得推广与应用。
当前我国长距离输水工程逐渐增多,在工程设计中,需重点考虑管材选择、线路布置、管道防腐等方面。本文介绍了平原区长距离PCCP输水工程设计实践中的一些基本原则,供工程设计人员借鉴与参考。
水利工程不仅是国家的基础性设施,而且是民生建设的主要内容之一,影响着国民经济的发展和社会稳定。水利工程堤防技术运用关系到水利工程的整体质量,选用得当可以有效降低洪水的危害,在一定程度上降低经济损失。本文主要从水利工程堤防的作用、水利工程堤防施工技术以及水利工程堤防防渗施工技术等方面进行探讨。
在役水闸工程中,大多数建设年代久远,加上外界自然条件和人为因素的长期作用及影响,有必要定期对水闸安全性态进行分析,为运行管理单位安全鉴定提供了重要依据。本文以沭新闸工程为实例,从土建安全检测、闸门及启闭机安全检测、安全复核计算等三方面来分析李楼节制闸的安全性态,最终评定李楼节制闸为一类闸,运用指标能达到设计标准。
一、2020年工作回顾2020年,淮河发生流域性较大洪水,沂沭泗水系发生1960年以来最大洪水。党中央、国务院高度重视淮河防汛抗洪救灾工作。习近平总书记多次对防汛救灾工作作出重要指示批示。8月18日,习近平总书记亲赴淮河王家坝,查看淮河水情,了解防汛救灾和灾后恢复生产情况,看望慰问受灾群众。
一、工程概况安徽省城东湖闸加固工程省道S310改道便桥位于安徽省霍邱县境内,为城东湖闸加固工程施工期间封闭交通时的临时便道,主要承担施工封闭期间省道S310绕行交通量。钢便桥按公路-Ⅱ级进行限载(30t),限速(20km/h)单车道通行,严禁超载车辆通行。
目的高光谱图像分类是遥感领域的基础问题,高光谱图像同时包含丰富的光谱信息和空间信息,传统模型难以充分利用两种信息之间的关联性,而以卷积神经网络为主的有监督深度学习模型需要大量标注数据,但标注数据难度大且成本高。针对现有模型的不足,本文提出了一种无监督范式下的高光谱图像空谱融合方法,建立了3D卷积自编码器(3D convolutional auto-encoder, 3D-CAE)高光谱图像分类模型