基于逆合成孔径雷达(ISAR)图像序列的卫星目标姿态估计是一项具有重大意义且富有挑战性的任务。现有的估计方法通常是基于图像中关键角点或线性部件的提取, 较难满足实时需求, 且都未能充分利用目标成像特性先验。本文提出一种基于成像特性与回归网络的卫星目标姿态估计方法: 提前确定各种姿态下的卫星目标成像特性, 并作为后续数据集标注的理论基础; 区别于传统的分类问题, 建立一种适用于姿态估计的回归网络与估计框架。采用毫米波频段的电测仿真计算数据对所提方法进行验证, 结果表明, 单张图像中估计的平均姿态误差可以控制在3.5 °以内。

红移是星系的基本参数之一。 大量已知星系只有测光图像而并没有光谱, 因此通过测光图像而非光谱来求取红移值具有重要的研究意义。 首先构建了一种基于测光图像估计星系红移的回归网络(GRRnet)。 它和以往的类似方法相比网络层数更深, 而且增加了注意力机制, 使模型能聚焦更为有用的信息。 在GRRnet的基础上, 进一步提出了一种两步走的策略, GRRnet-C-R: 第一步把星系按照红移进行粗分类; 第二步按照分好的类分别进行回归估计, 最后再合并到一起。 这种策略可明显减小测光红移估计的误差。 该工作的数据全部来源于斯隆数字巡天(SDSS)的第十六次数据发布SDSS DR16, 从中选取了96 024个红移小于0.6的星系, 每个星系的相关数据包含g, r, z三个波段的合成图像、 u, g, r, i, z五波段的测光值、 以及被视作标签的光谱红移。 在预处理过程中, 将测光图像剪切成50×50的尺寸, 目的是在保障减少计算量的同时能框选住大部分星系。 由于对比算法NetZ的输入尺寸为64×64, 为了保持输入尺寸一致, 使用cv2.resize函数将图像尺寸更改为64×64。 实验采用了七种评价指标与多种方法进行对比, 结果表明GRRnet-C-R的均方误差(MSE)低至0.001 46, 与随机森林(RF)、 极限梯度提升(XGBoost)和NetZ相比误差分别降低了22.3%、 21.9%和18.0%。 GRRnet-C-R的线性回归决定系数R2达到了0.948, 取得了一个很好的模型拟合效果。 实验结果证明了这种两步走的策略能有效降低测光红移估计的误差, 这为之后的测光红移估计提供了一种新的思路和方法。

为提高单应性估计的准确性和解决真实标注难获取的问题, 提出一种具有修正功能的无监督单应性估计算法。该算法采用级联结构, 其思想类似于迭代, 其中每一级网络都保持相同的层数和参数量, 下一级网络输出的单应性矩阵为真实矩阵与之前输出单应矩阵和的残差。考虑到模型复杂度和实时性的需求, 文章采用两级网络级联。通过在COCO数据集中的5000张图片上进行验证, 结果表明, 相比传统方法和其他基于深度学习的方法, 所设计的级联无监督算法具有更准确的估计能力, 其在测试集中的平均像素误差为0.54, 较传统方法下降95.38%, 运行速度达到95f/s。

水稻是人类的主要粮食作物，其发芽率是评定水稻质量的重要指标之一。以南粳46 为研究对象，利用高光谱成像技术预测剥壳后的稻种(以下简称糙米)发芽率。在400~1000 nm 波长范围内，采集960 粒饱满、无霉变糙米的高光谱图像，提取感兴趣区域的平均光谱曲线，利用主成分分析(PCA)提取特征波长，再结合偏最小二乘法(PLS)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和广义回归网络(GRNN)4 种建模方法分别对糙米5 个区域特征波长的光谱数据建立预测模型并加以比较。4 种建模方法对糙米A 区域(含胚芽)的平均预测效果最好( R_p=0.970)，其中，GRNN 模型对该区域预测精度最高( R_p =0.982, f_RMSEP =0.978)。研究结果表明利用高光谱成像技术并结合PCA和GRNN 检测糙米发芽率是可行的。