【摘 要】
：
针对卫星影像上车辆的漏检问题，该文对深度学习YOLOv3模型进行了网络改进，并用于高分二号卫星影像车辆检测。该方法通过减少原特征提取网络darknet-53的层数来降低网络复杂度，并在原YOLOv3模型3个尺度的基础上进行了尺度扩充以提高对小目标的检测能力。实验结果表明，改进后的YOLOv3模型较好地克服了多数深度学习算法不擅长检测小目标的短板，不仅检测结果比原算法更为精确，而且训练和检测速度也更
论文部分内容阅读
针对卫星影像上车辆的漏检问题，该文对深度学习YOLOv3模型进行了网络改进，并用于高分二号卫星影像车辆检测。该方法通过减少原特征提取网络darknet-53的层数来降低网络复杂度，并在原YOLOv3模型3个尺度的基础上进行了尺度扩充以提高对小目标的检测能力。实验结果表明，改进后的YOLOv3模型较好地克服了多数深度学习算法不擅长检测小目标的短板，不仅检测结果比原算法更为精确，而且训练和检测速度也更快，具有一定的优势。
其他文献
为成倍地提高通信系统的传输容量，利用10 km少模光纤构建3×3模分复用实验平台，模式的转换及复用通过模式选择性光子灯笼实现，以相位调制-相干接收方式完成光信号的调制与检测，最终实现3×34 Gb/s偏振复用—正交相移键控（PDM-QPSK）信号的有效传输。研究表明：如果保持LP_(01)、LP_(11)和LP_(21)的接收功率不低于-25.32 dBm，可以使误码率始终低于10~(-3)。
在图像分析与解译中，遥感影像目标检测是一项基础性的工作。针对遥感影像目标尺度多样和背景复杂等问题，本文提出了一种多尺度空洞卷积特征融合检测器(Multiscale Dilated Convolution Feature Fusion Detector, MDCF2Det)来实现对遥感目标的精确检测。首先，改进原始特征金字塔网络(Feature Pyramid Networks, FPN)，用空洞卷
现有大多数网络嵌入方法仅保留了网络的局部结构信息，而忽略了网络中的其他潜在信息。为了保留网络的社区信息，并体现网络社区结构的多粒度特性，提出一种融合多粒度社区信息的网络嵌入方法（EMGC）。首先获得网络的多粒度社区结构，并初始化节点嵌入和社区嵌入；然后根据上一粒度上的节点嵌入和本层粒度的社区结构，更新社区嵌入，进而调整相应的节点嵌入，最后对不同粒度下的节点嵌入进行拼接，从而得到融合多粒度社区信息的
敦煌校正场是我国最重要的辐射校正场，地面目标的方向反射特性是影响场地定标精度的重要参数。对于在什么情况下需要校正地表反射率，以及采用哪种双向反射分布函数（BRDF）进行校正，尚无明确的研究。由于MODIS精度较高，本文将下载MODIS影像进行分析。首先利用2020年9月敦煌场地6组不同测量时刻下的无人机多角度观测数据，分别以6种不同核函数组合方式建立36个不同的BRDF模型，针对不同观测角度下的M
使用数字图像相关（Digital Image Correlation,DIC）方法测量平滑、准确的裂纹尖端位移场和应变场是学术界难题之一。目前常用的方法为基于子区的局部DIC方法，但其子区跨裂纹计算的结果无意义。经过改进的基于子区分割的DIC方法又由于降低了子区内像素点数量导致精度降低。本文提出一种基于Hermite单元的局部DIC方法（Hermite-element based envelope
针对红外探测器件大阵面技术缺乏、单孔径红外探测系统难以兼顾大视场和高分辨率等问题，设计了一种基于压缩感知技术的红外大视场高分辨成像系统。该系统由成像物镜和中继透镜成，成像物镜对场景进行大视场高分辨率一次成像，一次成像的像面经空间光调制板调制后由中继透镜二次成像在探测器阵列，利用图像重建算法可将探测器阵列接收的图像进行恢复。设计结果显示，工作波段为3.8μm-4.8μm，成像物镜具有F/1.999的
针对目前鲜有学者采用重力多尺度分析方法来研究月球危海盆地内部结构的问题，该文采用小波多尺度分析技术对月球危海地区重力异常数据进行分解得到不同尺度下的小波逼近和小波细节，进一步利用功率谱估计方法确定了不同尺度小波细节的场源埋深，反演了不同深度处密度分布。计算结果表明，危海盆地是一个典型的“质量瘤”地区，其中心位置大概是58.7°E，16.7°N，深度范围为32.7 ～64 km，呈现出上面小、下面大
结合运营商某地市分公司的城域网云化试点情况，对试验网的架构、部署、业务实现和运维模式等方面进行分析，阐述试点的价值和挑战。基于实践案例提出城域网架构Fabric化演进、网络即服务的运维能力及以应用为中心的网络发展的见解，为运营商助力行业数字化转型提供参考。
贝叶斯网络能够表示不确定知识并进行推理计算表达，但由于实际样本数据存在噪声和大小限制以及网络结构解空间搜索的复杂性，贝叶斯网络结构学习始终会存在一定的误差。为了提高贝叶斯网络结构学习的精度，提出了以最大频繁项集和关联规则分析结果为先验知识的贝叶斯网络结构学习算法BNSL-FIM。首先对最大频繁项集进行结构学习并使用关联规则分析结果对其进行校正，从而确定基于频繁项挖掘和关联规则分析的先验知识；再提出
现实中推荐系统通常遭受着各种各样的偏置问题，例如曝光偏置、位置偏置和选择偏置等。一个忽略偏置问题的推荐模型不能反映系统的真实性能，且对于用户而言可能是不可信任的。先前的工作已经表明基于倾向得分估计的推荐模型能够有效缓解隐式反馈数据的曝光偏置，但是通常只考虑通过物品信息来估计倾向得分，这可能导致倾向得分估计不准确的问题。为了提高倾向得分估计的准确性，提出配对倾向得分估计（MPE）方法。具体而言，该方