排序方式： 共有4条查询结果，搜索用时 0 毫秒
1
1.
中国对地观测数据获取量持续增加,已步入遥感大数据时代,开展多星一体化数据处理与应用已成为发展趋势。文章从成像处理与信息提取两个方面系统回顾了技术发展过程,剖析了现有前沿方法的优势和特点,指出成像处理领域建立统一处理模型、信息提取领域建立高效学习模型面临的主要挑战。在此基础上,结合实际应用需求,提出了遥感大数据条件下多星一体化处理与分析的新思路,重点阐述了多星一体化处理与分析的基本概念、科学问题与解决方案,通过构建基于生成对抗网络的多星一体化成像处理模型与记忆保持的多任务特征共享与小样本增量学习模型,综合利用不同卫星和载荷间、不同任务和目标间信息,实现高质量图像产品的生成与高精度标注结果的提取。文末给出了技术途径和初步试验验证,并展望后续技术攻关方向。 相似文献
2.
利用2021—2022年4—9月阿克苏地区冰雹云的雷达回波资料，基于轨迹GRU模型和GAN模型共同构建一个深度学习的回波外推模型，应用于强对流（冰雹）天气监测预警。采用分阈值和预报时效的评估方法，对深度学习的回波外推模型预测回波的效果进行分析，结果表明：（1）在30 min预测时间内，随反射率阈值增加，临界成功指数（CSI）和命中率（POD）逐渐降低，虚警率（FAR）先降低后升高，FAR在反射率阈值为35dBZ时最低。（2）在反射率阈值为35 dBZ和相同外推时效的情况下，基于深度学习的回波外推模型和光流法相比，CSI提高0.05~0.15，POD提高0.05~0.15，FAR降低0.05~0.12。（3）在预测反射率阈值为35 dBZ的强对流单体移动路径方面，基于深度学习的回波外推模型与TITAN法相比，预测的单体移动路径会更接近实况单体移动路径。 相似文献
3.
海上溢油事故危害海洋生态安全、人类健康与经济发展。开展基于遥感技术的海面溢油量的估算研究,对于保护海洋生态环境具有重要意义,而油膜厚度反演是溢油量估算的核心环节。本文通过搭建室外实验场景,模拟真实海面溢油环境,基于现场实测高光谱遥感数据,开展海面溢油厚度反演研究。本文将深度学习与遥感技术融合,提出了基于自扩展深度置信网络的油膜厚度反演模型(oil thickness inversion generative adversarial and deep belief network,OG-DBN)。该模型由油膜光谱特征数据自扩展模块与油膜绝对厚度反演模块两部分组成。光谱特征数据自扩展模块能够基于实测高光谱遥感数据,自动筛选出光谱可分性较好的光谱特征区间,进而基于对抗生成网络(generativeadversarial network,GAN)进行样本扩展,增强模型的泛化性;油膜绝对厚度反演模块则是基于深度置信网络(deep belief network,DBN),深度挖掘不同厚度油膜光谱特征数据的光谱特性信息,精确反演油膜的绝对厚度。实验结果表明,本文提出的OG-DBN模型在可控实验条件下,原油油膜绝对厚度反演精度达到97.69%,决定系数R2为0.980,平均差控制在±0.06%;模型鲁棒性测试表明,该模型仍能保持较为稳定的反演精度,均高于93.33%,R2大于0.957以上,平均差在±0.6%以内。 相似文献
4.
由于水下环境具有不稳定性,水下图像可能会出现偏色、对比度低以及运动模糊等退化现象。针对这些问题,本文提出了适用于水下图像的增强算法,其实现需要依次经过颜色恢复和去模糊这2个阶段。在第一阶段中,本文增强算法先利用高斯滤波和均值漂移对图像进行锐化;然后,通过对比图像各颜色通道的均值得到补偿值对图像颜色进行校正;最后通过线性拉伸来调整图像的对比度。在第二阶段中,采用带有残差思想的生成对抗网络(GenerativeAdversarialNetworks,GAN),利用9个连续的残差网络能够很好地提取图像中的特征,可起到消除模糊和增强图像特征的作用。利用本文算法处理水下图像时,发现本文方法不仅能去除图像模糊,而且能消除图像的色偏现象且不携带红色伪影。同时,通过对比水下图像质量度量(UnderwaterImageQualityMeasures,UIQM)和水下彩色图像质量评估(UnderwaterColorImageQualityEvaluation,UCIQE)这2项指标发现,本文算法有较好的图像处理效果。 相似文献
1