1 东北大学 计算机科学与工程学院,辽宁 沈阳 110167
2 中国科学院 长春光学精密机械与物理研究所 网络与信息化技术中心,吉林 长春 130033
为了提高获取开源航天信息的效率并解决开源航天信息内容较长、数量较为有限、应用常用文本分类模型鲁棒性较差以及文本信息不够直观等问题,本文提出一种基于有监督对比学习的航天信息分类方法。该方法基于带有注意力机制(Attention)的双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM),融合对比学习技术,对开源的信息进行处理并分析,进而高效地筛选出航天类的信息,利用unCLIP(un-Contrastive Language-Image Pre-Training)模型生成信息对应的图像。实验结果表明,对比CNN(Convolutional Neural Networks)、BiLSTM、Transformer和BiLSTM-Attention等常用的文本分类方法,该方法在准确率、召回率和F1-Score上均表现良好,其中F1-Score达到0.97,同时以图像的形式呈现信息,使信息更加清晰直观。本文方法可以充分使用网络公开的数据资源,有效地提取开源航天信息并生成对应图像,对航天信息的分析和研究具有重要价值。
有监督文本分类 对比学习 文本生成图像 航天信息 supervised text classification contrastive learning text-to-image synthesis aerospace information
昆明理工大学国土资源工程学院, 云南 昆明 650093
低空无人机(UAV)测量凭借着低成本、 高效率、 高精度的数据采集模式, 可快速获取高空间分辨率的影像数据, 已经成为遥感领域的一种重要技术手段。 其中, 影像匹配技术是UAV影像数据处理的重要步骤, 图像间的匹配直接影响后期三维场景的精度及视觉效果。 针对高原山地的高差起伏变化大地形复杂, 植被覆被率高及地物分布不规则等问题存在, 致使在该区域UAV地形测量处理中因局部噪声造成影像匹配较难。 由于影像获取时受到该区特殊地形的限制, 大场景影像需要借助多幅影像匹配拼接得到。 目前, 基于特征点的影像匹配是一种图像配准技术, 不仅适用于低重叠度影像之间的匹配, 还可以运用到运动恢复图像间的匹配。 为探索特殊地形地貌条件下快速有效的UAV影像匹配技术, 提出一种面向高原山地复杂地形的集成尺度不变特征变换(SIFT)算法与最近邻次近邻距离比(NNDR)、 随机抽样一致算法(RANSAC)模型约束改进的UAV影像匹配方法。 主要技术流程为: 首先, 基于SIFT算法, 进行尺度空间的极值检测, 构建高斯金字塔函数, 通过高斯差分运算来实现特征点定位, 并对所检测到的特征点的邻域位置、 方向、 尺度等进行统计分析, 据此生成适合UAV影像特征的描述符; 其次, 集成“马式距离”和NNDR模型的综合运用, 进行特征点对的第一次约束优化提取及相似度检测, 在此基础上, 利用RANSAC算法, 引入匹配点对的均方根误差值(RMSE)进行第二次约束, 以实现匹配错误点对的剔除, 保证了影像匹配精确优化。 此外, 为了证实所提出优化算法的有效性, 选择了1组高原山地典型地貌UAV影像数据进行匹配试验, 结果表明: 面向高原山地复杂地形进行无人机影像匹配中, 所提出的改进算法不仅可以提取大量的特征点对, 同时还可以提高同名特征点的检测正确率, 并且配准正确率达到了85%, 因此更加适用于高原山地复杂地形的无人机影像匹配处理技术优化。
影像匹配 改进SIFT算法 对比分析 UAV Image registration Improved SIFT algorithm Contrastive analysis UAV 光谱学与光谱分析
2022, 42(5): 1497
1 西北大学 信息科学与技术学院,陕西西安7027
2 西北大学 文化遗产数字化国家地方联合工程研究中心,陕西西安71017
通过表皮生长因子受体(Epidermal Growth Factor Receptor,EGFR)突变情况可以对患者是否患有非小细胞肺癌(Non-small Cell Lung Cancer, NSCLC)进行检测。提出了一种基于对比学习的自监督EGFR基因突变预测方法,在不需要大量专家手工标注患者数据集的情况下,对输入网络的患者病灶区图像进行阴性、阳性预测。对自监督BYOL网络进行修改,增加了网络投影层非线性多层感知器(Multilayer Perceptron,MLP)的层数,并将患者CT和PET两个模态的图像数据融合作为网络的输入,在不需要大量标注患者数据集的情况下,对阴性、阳性病例进行预测。在非小细胞肺癌EGFR基因突变数据集上,与传统的影像组学、有监督VGG-16网络、有监督ResNet-50、有监督Inception v3和无监督迁移学习CAE进行对比。实验结果表明,使用对比学习从患者的CT和PET图像学习到的患者病灶区图像的实例特征可以对阴性、阳性病例进行区分,并取得了77%的曲线下面积(Area Under the Curve,AUC);相对于传统的影像组学方法分类结果AUC提高了7%,相对于有监督VGG-16网络的分类结果AUC提高了5%;在不需要大量专家手工标注数据集及大量患者临床数据的情况下仅比有监督ResNet-50 AUC低9%。改进BYOL网络仅需要少量标注的患者数据集便可得到比部分传统有监督方法更准确的检测结果,展示了其辅助临床决策的潜力。
医学图像处理 深度学习 对比学习 PET/CT 肺非小细胞肺癌基因突变预测 medical image processing deep learning contrastive learning PET/CT prediction of gene mutations in lung non-small cell lung cancer
淮北师范大学物理与电子信息学院, 安徽 淮北 235000
基于多轴差分吸收光谱技术 (MAX-DOAS) 反演 NO2 柱浓度的方法, 构建了相应的地基 MAX-DOAS 系统, 开展了 NO2 柱浓度变化特征的观测。反演中选取天顶方向的光谱作为参考光谱, 通过非线性最小二乘法反演出 NO2 斜柱浓度 (SCD), 结合不同观测方向的斜柱浓度得到 NO2 差分斜柱浓度 (dSCD), 再利用几何近似法得到大气质量因子 (AMF), 最终获取 NO2 垂直柱浓度 (VCD)。于 2019 年 6 月至 2020 年 5 月在淮北地区开展了为期一年的外场实验, 研究结果表明淮北地区 NO2 VCD的月均值在观测期间内呈现倒“U”型变化, 在 12 月份达到最高值 2.13×1016 molecules·cm-2, 在 8 月份达到最低值 5.23×1015 molecules·cm-2。将 MAX-DOAS 观测结果的日均值与 OMI 卫星 (云系数分别为 0
多轴差分吸收光谱技术 NO2 垂直柱浓度 对比分析 multi-axis differential optical absorption spectro OMI OMI NO2 vertical column density contrastive analysis 大气与环境光学学报
2021, 16(2): 107
红外与激光工程
2021, 50(5): 20200364