The increasing amount of data exchange requires higher-capacity optical communication links. Mode division multiplexing (MDM) is considered as a promising technology to support the higher data throughput. In an MDM system, the mode generator and sorter are the backbone. However, most of the current schemes lack the programmability and universality, which makes the MDM link susceptible to the mode crosstalk and environmental disturbances. In this paper, we propose an intelligent multimode optical communication link using universal mode processing (generation and sorting) chips. The mode processor consists of a programmable 4 × 4 Mach Zehnder interferometer (MZI) network and can be intelligently configured to generate or sort both quasi linearly polarized (LP) modes and orbital angular momentum (OAM) modes in any desired routing state. We experimentally establish a chip-to-chip MDM communication system. The mode basis can be freely switched between four LP modes and four OAM modes. We also demonstrate the multimode optical communication capability at a data rate of 25 Gbit/s. The proposed scheme shows significant advantages in terms of universality, intelligence, programmability and resistance to mode crosstalk, environmental disturbances, and fabrication errors, demonstrating that the MZI-based reconfigurable mode processor chip has great potential in long-distance chip-to-chip multimode optical communication systems.

深度学习在解决遥感影像场景分类问题中发挥了重要作用，但在某些特定的遥感场景分类问题中，存在可训练带标签样本严重不足的情况（单类样本数少于10），造成现有的传统深度模型分类效果不理想。针对上述问题，提出一种小样本遥感场景分类方法，并构建一种基于元学习（meta-learning）训练策略的模型ResNet14-Attention-ProtoNet（RA-ProtoNet）。首先，采用预训练的深度残差网络ResNet14作为特征嵌入模块，提取遥感影像深度特征；其次，针对同类样本特征不明显会对类级（class-level）表达造成的干扰问题，在类级表达模块，采用基于双向长短期记忆网络（Bi-LSTM）的注意力机制强化类内样本信息，生成样本的类级特征表达；最后，利用欧氏距离度量待分类样本与类级特征之间的距离，实现分类预测。在UCMERCED、AID-30和NWPU-RESISC45等3个遥感影像数据集上，将所提方法与基于迁移学习和现有元学习方法的遥感场景分类方法进行对比实验，在5-way 5-shot条件下，所提方法的整体场景分类精度分别达到81.30%、83.29%和81.22%。实验结果表明，所提方法可以有效挖掘类内样本信息，在极小样本条件下获得更高的遥感影像场景分类精度。

目前光学成像技术已经在深海探测中发挥重要的作用，但仍缺少深海视频质量主观评价研究，尤其是缺少公开的深海视频质量评价数据集。为此，构建了一个公开的、带有主观质量标签的深海视频质量评价数据集，该数据集包括5类代表性的真实深海场景视频。为了实现数据增广，使用基于深度学习和基于融合的水下图像增强方法进行视频质量增强，使用高斯模糊和高斯噪声进行视频质量退化；采用单激励绝对等级主观质量评价方法对深海视频进行视频质量评价，主观评价实验人数为20，得到总数量为142的深海视频质量评价数据集。在该数据集上验证了8种图像/视频质量客观评价模型的性能，结果显示当前视频质量客观评价模型用于深海视频质量评价还需提升性能。数据集公开在http：//ieee-dataport.org/documents/deep-sea-video-quality-dataset，有助于深海视频质量客观评价和增强技术的优化和改进。

海上溢油对海洋生态环境造成的危害巨大，完成溢油区域的准确检测对海洋异常现象的快速应急处理具有重要意义。现阶段，合成孔径雷达（SAR）为海上溢油检测提供重要数据基础，但广泛存在海上生物油膜、低风区及SAR影像本身显著的斑点噪声等溢油疑似区域，极大限制了海上溢油检测精度。针对上述问题，提出一种基于改进全卷积神经网络（FCN）的多极化SAR影像海上溢油智能检测框架。首先，对极化SAR影像进行Pauli分解和Refined-Lee滤波预处理，在保证SAR影像极化特征信息同时降低疑似溢油噪声对检测精度的影响；其次，针对FCN模型对空间信息考虑的不足，提出不同层级卷积层融合机制，实现高层语义特征与低层空间细节特征融合，进而提升海上溢油区域检测精度。经实验对比分析可知，基于改进FCN的海上溢油智能检测框架可有效降低疑似溢油区域对检测精度的影响，同时兼顾考虑多极化与边缘特征信息，实现基于像素的溢油区域检测，最优检测精度可达95.7%。

业务流程中事件日志的分析与预测可以为流程监控和管理提供决策信息,现有研究方法多针对特定单个任务预测,不同任务间预测方法的可迁移性不高。多任务预测可以共享多个任务间的信息,提升单个任务预测的精度,但现有研究对重复活动的多任务预测效果有待提高。针对以上问题,提出一种注意力机制与双向长短时记忆结合的深度神经网络模型,实现对业务流程中重复活动和时间的多任务预测。预测模型可以共享不同任务已经学到的特征表示,实现多任务并行训练。在多个数据集中对不同方法进行对比,结果表明,所提方法提高了预测效率和预测精度,尤其对重复活动的预测精度有较好提升。

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

针对现有方法不易确定划分高光谱图像子块的大小和个数,仅考虑子块内低秩性等不足,提出一种结合地物类别和低秩特性的高光谱图像降噪方法。根据地物数据先验知识的类别数,简单划分子块的个数,指定最优参数明确分块大小,再通过相同地物中像素空间和光谱的相关性定义同物空谱低秩特性,最后结合整幅高光谱图像的光谱低秩特性,并根据低秩矩阵恢复模型求解降噪图像。在Washington DC Mall和Indian Pines数据集上进行实验,结果表明:所提方法不仅对每一类地物噪声的降噪效果有所提高,而且针对更为严重的随机噪声和稀疏噪声的混合噪声,也能够达到更好的降噪效果。