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。

海表温度(SST)是平衡地表能量及衡量海水热量的重要指标,SST的高精度预测对全球气候、海洋环境及渔业具有重要意义。极端气候条件下,SST序列呈现明显的非平稳性,传统方法进行海表温度预测(SSTP)时难度大,且精度较低。基于经验模态分解(EMD)算法分解后的SST子序列非平稳性明显降低,且门控循环(GRU)神经网络作为一种常见的机器学习预测模型,参数较少、收敛速度更快,不易在训练过程中出现过拟合现象。结合EMD模型和GRU模型的优势,提出了一种基于EMD-GRU的SST预测模型。为验证所提模型预测效果,对5条不同长度的SST序列进行了多组对比实验。实验结果表明:与直接使用循环神经网络(RNN)、长短期记忆模型(LSTM)、门控循环神经网络(GRU)的模型相比,所提模型预测结果的多尺度复杂度更低;所提模型预测结果的均方差(MSE)和平均绝对误差(MAE)均有不同程度的降低。为验证数据序列长度对预测精度的影响,设计了补充实验。实验结果表明:预测长度越长精度效果越差;通过EMD算法对序列进行处理后,效果均得到了提升,且在预测长度变长的情况下,效果提升较为明显。

近岸海浪周期检测对于近岸精细化海洋预报至关重要。为此,提出一种新的基于视频时空特征学习的近岸海浪周期自动化检测方法。所提方法以连续海浪视频帧为输入,首先利用二维卷积神经网络(2D-CNN)提取视频帧的空间特征,将空间特征在时间维度上拼接成序列,再通过一维卷积神经网络(1D-CNN)提取时间维度特征,这种复合卷积神经网络(CNN-2D1D)能够实现海浪时空信息的有效融合,最后采用注意力机制对融合后的特征进行权重调整,并将所得结果线性映射为海浪周期。将所提方法与基于VGG16网络的单纯空间特征的检测方法和基于ConvLSTM和三维卷积(C3D)网络的时空特征融合的检测方法进行对比。实验结果表明,C3D和CNN-2D1D的检测精度最高,平均绝对误差分别为0.47 s和0.48 s,但CNN-2D1D比C3D的检测结果更稳定,均方根误差分别为0.66和0.81,且CNN-2D1D需要的训练参数更少,这表明所提方法在波浪周期检测中更有效。

针对水下图像存在的对比度低、细节模糊、色彩失真问题,提出了一种基于预处理图像惩罚的生成对抗网络(GAN)水下图像增强方法。首先,通过改进的红色通道直方图拉伸算法对水下图像进行预处理,改善图像对比度的同时避免传统直方图拉伸后的局部过增强现象。然后,构建带有预处理图像惩罚的GAN,实现水下图像增强。其中,生成器编码-解码结构中的前两层使用多尺度卷积,以增强网络对细节信息的学习能力。最后,构建多项损失函数,将预处理图像作为伪真值对GAN施加损失惩罚,以提升网络的泛化性能。实验结果表明,相比传统图像增强方法和基于深度学习的图像增强方法,本方法在水下图像的色偏、对比度和细节信息方面的表现更优,且鲁棒性更好。

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。

立体匹配算法在图像弱纹理区和重复纹理区存在匹配困难、误差大的问题,为此提出一种基于改进代价计算和视差候选策略的立体匹配算法。首先结合改进的Census变换和自适应加权融合的双向梯度信息来计算初始匹配代价,提高代价计算的可靠性。其中:为传统Census变换增加内圈编码,提高邻域信息利用率,同时降低噪声的影响;利用自适应权重函数融合横向和纵向梯度代价,降低物体边缘区域的误匹配率。其次,采用自适应十字交叉窗口进行代价聚合,并通过建立候选视差集和引入邻域视差信息的方法来获取初始视差。最后通过两轮插值策略优化视差。实验结果表明,所提算法能够提高弱纹理区和重复纹理区的匹配效果,在Middlebury中4幅标准立体图像对的平均误匹配率为5.33%。

在使用深度学习模型研究遥感影像地物分类问题时,某些地物的遥感影像可用于训练的样本很少。同时,多样化的遥感影像获取方式产生了大量不同空间分辨率的多模态遥感影像。融合这些多模态遥感影像,弥补样本量少导致分类精度低的缺陷,是小样本的遥感影像高精度分类领域中亟待解决的问题。针对上述问题,提出了考虑两种空间分辨率遥感影像相关关系的融合分类方法。首先,使用两个并行的深度学习网络分别提取两种空间分辨率影像的高层特征;其次,将提取到的高层特征通过融合方法进行融合;最后,得到融合后的高层特征作为输入,训练整个融合分类模型。实验表明,不同融合策略的分类精度不同,本文提出的基于高层特征级别的融合策略可以有效提高分类精度。

CVD ZnS是中长波前视红外窗口和整流罩的合适材料,文中从折射率、热应力、透射波段和附着力等方面考虑,由实验设计出HfO2,非晶膜双层结构作为ZnS与金刚石保护膜问的过渡层,采用射频反应磁控溅射技术在ZnS表面制备过渡膜层,并采用划痕法研究了薄膜的显微结构对其与衬底间附着力的影响.结果表明,金刚石能够在HfO/非晶膜过渡层上形核、生长,得到优质的保护膜,同时过渡层也缓解了金刚石膜与ZnS衬底间由于热膨胀系数的较大差异而引起的膜层脱落问题,单面沉积过渡层的ZnS在2～12μm范围具有增透膜的作用.与A1N/非晶膜组成的过渡层相比,HfO2/非晶膜组成的过渡层具有更小的残余应力.在典型实验条件下,该过渡层与ZnS衬底附着性良好,研究发现薄膜的显微结构对附着力的大小有重要影响,形成细小致密的柱状纤维结构,有利于提高附着力.