亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

無人機具有體積小、靈活性強、航拍視野廣等特點，廣泛應用于警用巡查、城市交通監管、天氣監測、 電力巡檢、應急救援救災等行業。近年來，隨著計算機視覺領域的蓬勃發展，基于深度學習的目標檢測 技術逐漸應用于無人機領域，并不斷得到改進和加強。本文系統性地闡述了基于深度學習的目標檢測技 術發展歷程和研究現狀。針對現階段無人機航拍影像小目標多、背景復雜、目標尺度變化大的特性，歸 納和分析了近期對無人機目標檢測的相關研究。最后，展望了基于深度學習的無人機目標檢測技術的未 來發展趨勢。 隨著科技的發展，無人機(UAV)已經擺脫了過去的軍事用途，逐漸擴展到民用和商用領域。隨著無 人機技術的發展，基于深度學習的目標檢測技術已成為無人機應用領域的重要研究內容[1]。將目標檢測 技術應用于無人機上，實現在航拍視角下對地面場景的目標檢測和識別。然而，在無人機航拍圖像中， 檢測對象多為小目標，受航拍視角影響，目標尺度變化較大；圖像背景復雜，目標對象易被遮擋。給無 人機的目標檢測帶來了諸多挑戰[2]。常規的目標檢測算法應用于無人機上難以保證檢測精確度，優化無 人機的目標檢測性能成為了無人機應用領域的重要研究內容[3] [4]。本文首先介紹基于深度學習的目標檢 測研究進展，然后總結現階段無人機領域目標檢測的研究難點，針對小目標檢測、背景復雜、多尺度變 化三個方面進行改進和優化的各類方法進行了闡述。最后，對未來無人機目標檢測的研究方向做出了展 望。

摘要： 光學遙感圖像中云層會對地面信息進行不同程度的遮擋，造成了地表觀測信息的模糊和缺失，極大地影響遙感圖像的成像質量。因此，對遙感圖像中云層覆蓋的檢測和評估是進一步分析和利用遙感圖像信息的基礎和關鍵。通過充分的調研和對比總結，梳理了20世紀90年代以來，國內外基于遙感圖像的云檢測方法的發展趨勢和代表性工作。將基于遙感圖像的云檢測方法分為三類：基于光譜閾值的方法、基于經典機器學習的方法以及基于深度學習的方法。總結了當前國內外云檢測公開數據集，并對比了部分代表性工作的云檢測精度。此外，簡要梳理了與云檢測相關的云霧（霾）檢測、云雪檢測、云陰影檢測以及云去除等方法。對當前云檢測相關工作中存在的問題和未來的發展趨勢進行了分析和展望。 //journal26.magtechjournal.com/kjkxjs/CN/Y2023/V43/I1/1

**1 引言 **

近些年,隨著遙感技術的迅速發展以及大數 據技術的廣泛應用,對地觀測數據量增長迅速。 2021年1月21日發布的《中國對地觀測數據資 源發展報告》顯示,中國對地觀測數據總量已經 接近100PB,其中大量的遙感圖像數據可以最 為直觀地展示地球各類觀測信息,極大地推動了 人類對于地球的理解和認識。在各類遙感圖像 當中,光學遙感衛星獲取的光學遙感圖像數據在 諸如目標檢測[1-2]、語義分割[3]、場景理解[4]、變 化檢測[5]等領域。相關技術也廣泛應用于地圖 導航、氣象/海洋監測、防災檢測、軍事偵察等各 個方 面。 然 而,國 際 衛 星 云 氣 候 學 計 劃 (internationalsatellitecloudclimatologyproject, ISCCP)顯 示,地 球 平 均 云 層 的 覆 蓋 率 超 過 66%。云層遮擋導致的光學遙感圖像信息的缺 失,對下游的遙感圖像處理和識別造成很大的影 響。因此,發展遙感圖像的云檢測技術,是判別 遙感圖像觀測信息缺失程度以及遙感圖像進一 步利用的關鍵。 遙感圖像的云檢測是遙感圖像識別領域的 熱門方向之一。1982年提出的國際衛星云氣候 學計劃(ISCCP)當中,云檢測技術就是其中重要 的組成部分[6]。**自20世紀80年代以來,隨著衛 星遙感圖像處理技術的不斷發展,遙感圖像的云 檢測方法逐步形成了三種主流的技術路線: **

**1)基于光譜閾值的方法:主要基于對圖像中 云和其他目標光譜特性的分析,對遙感圖像中不 同光譜通道設置不同的閾值從而實現云檢測; **

**2)基于經典機器學習的方法:使用人工選擇 的圖像紋理、亮度等特征,訓練諸如支持向量機、 隨機森林等經典機器學習模型來對圖像塊/像素 進行分類,實現云的檢測; **

**3)基于深度學習的方法:該方法使用大量遙 感圖像數據,通過構建深層的神經網絡模型來自 動提取數據特征,獲取高精度的云檢測結果。 **

從20世紀90年代開始,通過分析圖像中不 同波段的反射信息,各類基于圖像光譜閾值的云 檢測方法被廣泛研究,由于該類方法簡單易行的 特性,有著十分廣泛的應用。但是,由于波段反射信息對不同檢測場景泛化能力較差,容易將其 他高反射率物體(如積雪、建筑等)誤判為云層, 導致傳統基于閾值的云檢測方法精度相對較低。 為了解決這一問題,2010年后,一些基于統計學 習(支持向量機、隨機森林等)的方法被廣泛應用 于云檢測,通過提取圖像的紋理或統計學特征來 提升云檢測的精度。基于統計學習的相關云檢 測方法也被實際應用于中巴資源02B 衛星[6]。 然而,由于統計學習模型本身需要人工進行特征 的篩選 和 定 義,使 得 特 征 提 取 過 程 較 為 低 效。 2012年,隨著 AlexNet模型[7]的提出,以卷積神 經網絡(convolutionalneuralnetworks,CNNs) 為代表的深度學習模型,由于其自動提取特征的 特性被廣泛應用于圖像識別的各個領域,其性能 在某些任務下可以超越人類。因此,近些年大量 基于深度學習的云檢測方法被不斷提出。基于 深度學習的云檢測方法由于其精度高、泛化能力 強的特點,逐漸成為當前最為主流的云檢測方法 之一。 **除云層遮擋外,光學遙感圖像當中,霧、霾等 各類氣溶膠以及云陰影也會對遙感圖像的成像 質量造成影響。**此外,高反射率的積雪和建筑會 呈現出與云層相似的光學特征,從而影響云檢測 的結果。因此,對于上述目標的檢測和識別也是 云檢測的重要內容,相關方向也被廣泛研究。此 外,由于遙感影像來源多樣的特性,不同衛星產 生的遙感影像往往會使用不同的云檢測方法,因 此對于云檢測數據來源和公開數據集的總結也 十分必要。 國內外已有一些綜述性工作對遙感圖像的 云檢測方法進行總結和分析,但缺少針對云檢測 方法層面的系統全面梳理,也缺乏對未來云檢測 方法發展的分析和展望。劉紫涵等人針對不同 的衛星數據類型,重點介紹和梳理了傳統基于光 譜閾值和經典機器學習的云檢測方法[6]。Foga 等人重點針對 Landsat衛星的數據產品,對比了 不同 云 檢 測 算 法 的 實 際 檢 測 效 果 和 精 度[8]。 Mahajan等人從具體檢測任務出發(如:云檢測、 云雪檢 測、薄 云 厚 云 檢 測 等),回 顧 了 2004- 2018 年 間 的 傳 統 閾 值 方 法 以 及 機 器 學 習 方 法[9]。Li等人主要關注了基于深度學習的云檢 測方法,梳理了深度學習云檢測方法的公開數據集以及代表算法模型,并且介紹了主流的深度學 習模型壓縮和輕量化方法[10]。 **本文從云檢測三種不同的主流技術路線出 發,詳細介紹了遙感圖像云檢測方法的研究進展 和現狀,對不同技術路線的代表性云檢測工作進 行了對比分析。**介紹了遙感圖像云檢測的公開 數據集并對比了各類代表性方法的云檢測精度。 此外,簡要梳理了與云檢測相關的云霧(霾)檢 測、云雪檢測、云陰影檢測以及去云的代表性工 作。最后對國內外研究當前存在的問題和未來 的發展方向進行了分析和展望。 **2 云檢測方法 **

20世紀80年代以來,隨著國內外研究人員 的廣泛研究,眾多云檢測工作被提出。本文將現 有工作根據核心方法的不同,大致分為三類:基 于光譜閾值的云檢測方法、基于經典機器學習的 云檢測方法以及基于深度學習的云檢測方法。 本章將對以上三種方法的代表性工作進行梳理 和介紹。圖1總結了當前云檢測方法的主要分 類和代表性工作。

**2.1 基于光譜閾值的云檢測方法 **

基于光譜閾值的云檢測方法是最早被廣泛 研究和應用的云檢測方法。該類方法通過分析 圖像不同光譜波段之間的差異,設置閾值來區分 云和背景圖像,以達到云檢測的目的。早期的基 于光譜閾值的云檢測方法可以追溯到1994年, Kegelmeyer等人通過設置單一閾值,對經過偽 笛卡 爾 變 換 (pseudo-cartesiantransformation) 的 WSI(wholeskyimage)EO-5相機獲取的圖 像進行閾值分割,得出灰度圖像,來達到云檢測 的目的[11]。但是單一閾值方法精度較低,并沒 有被廣泛使用。在之后的研究當中,自動云覆蓋 評估 方 法 (automaticcloudcoverassessment, ACCA)[12-13]以 及 掩 膜 函 數 (functionofmask, Fmask)[14]方法成為了基于光譜閾值的云檢測 方法中最具代表性的方法,并被廣泛研究和應 用。其中,Irish 等 人 提 出 的 ACCA 方 法 用 于 Landsat7ETM+(EnhancedThematicMapper Plus)衛星圖像的自動云檢測。 ACCA 方法基于 Landsat7ETM+圖像中第2至7波段,首先通 過設置多個光譜濾波器,使用云層的反射和熱能 特征來判斷圖像中云層的存在性,而后對于有云 的圖像,利用所建立的云層熱刨面圖,根據云的熱能性質來進一步進行云檢測[12-13]。該方法在 地球大部分區域可以取得較好的云檢測精度,但 是對于存在積雪的高緯度、高海拔區域(如南極 洲),由于反射率相似,ACCA 方法難以有效區 分云層和積雪。Fmask方法由 Zhu等人提出, 用于對 Landsat圖 像 進 行 云 層 和 云 陰 影 的 檢 測[10]。該方 法 將 Landsat大 氣 層 頂 端 (topof atmosphere,TOA)反射和亮度溫度(brightness temperature,BT)作為輸入,通過云的物理特性 以及相關物理量的概率信息來進行云檢測,并還 通過近 紅 外 波 段 來 檢 測 云 陰 影。此 外,Fmask 工作中還明確了云檢測的精度計算方法,許多精 度評判指標(如全局精度等)被沿用至今。 ACCA 方法和 Fmask方法被提出后,在相 當長的時間當中成為了云檢測的主流方法,許多 研究人員也受到上述兩種方法的啟發,提出了更 多的基于光譜閾值的云檢測方法。劉希等人利 用雙通道動態閾值法實現了日本 GMS-5靜止氣 象衛星圖像的自動云檢測[15]。馬芳等人進一步 考慮了 GMS-5衛星中的四個光譜通道,提出了 通道綜合運算云檢測方法,改善了地理位置對于 云檢測的影響[16]。2015年,Zhu等人又通過取 消對熱光譜(thermalband)的使用以及增加卷 云概率,提高了傳統 Fmask方法對于薄卷云的 檢 測 精 度[17]。Shi 等 人 提 出 的 MFmask (mountainousfmask)方 法,針 對 Landsats4-8 圖像,提升了傳統 Fmask方法在多山區域的云 檢 測 精 度[18]。 隨 后,Qiu 等 人 提 出 了 Fmask4.0,通過對輔助數據的整合和新的基于 HOT(hazeoptimizedtransformation)云概率方 法的提出,結合光譜紋理信息,提升了云檢測的 精度[19]。 基于光譜閾值的方法通過對圖像的不同光 譜設置閾值的方式實現了云的自動檢測,該類方 法無需像素級的標記和復雜的模型訓練,可以較 為高效地進行部署和運行。但是,基于光譜閾值 的方法通常要求遙感圖像具有較為豐富的光譜 信息,因此 此 類 方 法 大 多 基 于 Landsat系 列 或 Sentinel-2衛星,對于光譜數量較少的遙感圖像 或可見光圖像,此類算法難以有效運行。為了緩 解對于光譜信息的依賴,Zhu等人在 Fmask的 基礎之上,提出了 Tmask(multitemproalmask) 方法,通過引入多時相圖像來提供額外的信息, 一定程度減少對于過多光譜信息的使用,同時提 高云檢測的精度[20]。Li等人提出的 MFC 方法 通過使用圖像紋理信息和光譜信息同時進行云 檢測,實現了對4通道圖像的高精度云檢測[21]。 除對光譜信息的依賴之外,基于光譜閾值的方法 往往泛化能力較差,針對不同場景尤其是復雜場 景往往算法的魯棒性不足[6]。表1對本章提到 的基于光譜閾值的云檢測方法的數據來源和方 法優劣勢進行了總結。 **2.2 基于經典機器學習的云檢測方法 **

針對基于閾值分割的傳統云檢測方法過于 依賴圖像光譜信息、場景適應性及魯棒性較差的 問題,研究人員更多地考慮了將經典機器學習方 法引入云檢測任務中,被廣泛應用的機器學習模 型包 括 支 持 向 量 機 (supportvector machine, SVM)以 及 隨 機 森 林 (randomforest,RF)等。 機器學習理論的迅猛發展同時為云檢測領域吸 引了更高的研究注意力,推動了云檢測技術的快 速發展。包括紋理、邊緣等的圖像特征選擇是機 器學習方法的核心環節之一,根據所使用圖像特 征的語義級別的不同,可以將基于經典機器學習 理論的云檢測方法大致分為三類:亮度特征、紋 理特征以及局部統計特征。 亮度特征即圖像不同波段的反射率,是遙感 影像最底層的原始特征,是早期機器學習云檢測 方法中最常用的特征。Kang等人提出了一種 無監督云檢測方法,他們訓練支持向量機在 HSI 顏色空間分割云層,并使用引導濾波技術細化云 層邊界[22]。Fu等人將隨機森林技術引入云檢 測領域,相比于支持向量機,隨機森林能更好地 處理多種特征類型之間復雜的非線性依賴關系, 模型的樣本容量更高,執行速度更快,也具有更 好的可解釋性[23]。Wei等人提出的云檢測方法 進一步改進了基于隨機森林模型的云檢測方法, 他們的算法引入了 SEEDS 分割方法進行后處 理,進一步優化了基于隨機森林的云檢測算法的 性能[24]。該方法能夠較好地識別碎云和薄云、 遺漏很少,并且可以更準確地區分大部分云層和 相似的高反光人工地物,很少有誤判,但是該算 法不能很好地解決云層和積雪分離任務。

紋理特征是相比亮度特征更高級別的遙感 影像特征,包含更高級別的圖像語義信息,有利 于實現更精確的云檢測性能。通過設置不同尺 寸的特征提取窗口,可以在多個尺度上提取圖像 特征。Chen等人提出的云檢測方法利用灰度共 生 矩 陣 (gray level co-occurrence matrix, GLCM)提取紋理特征,然后訓練非線性支持向 量機分割云層[25]。該方法適用于南極地區,特 別是適合于薄卷云的檢測,但是魯棒性一般。Li 等人提出的方法同樣采用支持向量機模型,不同 的是,他們計算灰度共生矩陣二階矩的平均梯度 和角度提取圖像塊的紋理特征[26]。該算法的整 體檢測 精 度 較 高,但 是 對 于 云 占 比 為 50% ~ 95%的圖像檢測精度較低。Sui等人進一步發 展了基于支持向量機的云檢測方法。他們引入 了前處理步驟,利用簡單線性迭代聚類(simple lineariterativeclustering,SLIC)算法將遙感圖 像分割為超像素,然后計算圖像 Gabor響應的 能量特性和光譜特性提取紋理特征[27]。該算法 在有限的光譜波段下具有較高的精度。An等 人提出的方法不再使用傳統的支持向量機模型, 他們訓練基于最小化數據特征及標簽之間殘差 的場景 學 習 器 實 現 對 云 層 的 精 確 分 割[28]。此 外,該算法相比于其他方法構建了更加復雜的圖 像特征空間,通過堆疊顏色特征、統計信息、紋理 特征和結構化信息建立圖像特征。 局部統計特征覆蓋了相比于紋理特征更廣 泛的特征類型,可以提取更高語義級別、任務特 異性更強的圖像特征,通過計算滑動窗內像素的 統計特征實現更可靠、更精細的云像素分類效 果。Yuan等人提出的云檢測方法基于支持向 量機,結合SLIC算法進行前處理將圖像分割成 超像素,以及 GrabCut算法進行后處理細化云 檢 測 結 果[29]。 他 們 基 于 詞 袋 (Bag-of-words,BOW)模型提取超像素的統計特征。Tan等人 提出的方法同樣基于支持向量機模型,并且同樣 結合了 SLIC 算法和 GrabCut算法[30]。不同的 是,他們提取了更加復雜的基于光譜、紋理、頻率 和線段的圖像特征。該算法的精度較高,但是耗 時較長,并且會將紋理精細的卷云識別為非云區 域。Deng等人提出的方法進一步發展了基于支 持向量機的云檢測算法[31]。他們使用更加復雜 的高級別圖像統計特征實現了更優的云層分割 性能。在采用SLIC算法分割圖像之后,提取自 然場景統計模型的空間域 NSS特征以及 Gabor 特征進行云像素分割。該算法的檢測精度和魯 棒性較好,但是對薄云相比厚云的檢測精度略 低。Tian等人將極限學習機(ELM)模型引入了 云檢測領域[32]。他們研究跨軌紅外探測器 CrIS 的 全 光 譜 分 辨 率 (FSR)數 據,選 取 CrIS 的 LWIR-SWIR 通道對的亮度溫度,提取 FSR 數 據的云檢測指標(FCDIs)特征,該算法的分類結 果良好,但是誤檢率較高。 相比于傳統的基于光譜閾值的云檢測方法 對獨立像素的分類潛力研究,基于經典機器學習 的方法開始了對遙感影像空間模式信息的挖掘 利用,這有效提高了分割模型對遙感影像信息的 利用率。同時,圖像特征的使用也大大降低了傳 統云檢測方法對衛星圖像數據光譜范圍的高度 依賴。但是,由于經典的機器學習模型通常需要 手工設計圖像特征,使得基于經典機器學習的方 法難以更加高效地提取遙感圖像更高級別的語 義信息。當面對復雜場景時,此類方法會面臨精 度下降的問題[9]。

**2.3 基于深度學習的云檢測方法 **

2012 年 開 始,以 AlexNet [7]、VGG [33]、 ResNet [34] 等 卷 積 神 經 網 絡 (convolutional neuralnetworks,CNNs)為代表的深 度 學 習 模 型 在 ILSVRC (imagenet large scale visual recognitionchallenge)競賽[35]中取得了突出表 現,并被廣泛應用于圖像分類、目標檢測等計算機視覺領域。深度學習方法在遙感圖像處理和 識別領域也取得了許多的成果,這也進一步推動 了基于深度學習的云檢測方法的快速發展。 早期基于深度學習的云檢測方法將遙感圖 像切分為多個圖像塊,并將云檢測任務建模為圖 像分類過程。其中,Mateo等人將原始遙感圖像 切分為33×33的圖像塊,并利用2層卷積神經 網絡來對圖像塊進行分類[36]。Xie等人同樣將 原始圖像進行切分,但通過使用 SLIC 方法生成 超像素,并使用雙分支卷積神經網絡來對超像素 進行分類[37]。基于圖像切分的方法使用卷積神 經網絡來自動提取圖像特征,通常可以獲得比經 典機器學習方法更高的云檢測精度;但是對于圖 像塊中同時包含云層和非云層像素的情況,會造 成分類的誤差。 為了解決上述問題,受到計算機視覺領域圖 像分 割 代 表 工 作 全 卷 積 神 經 網 絡 (fully convolutionalnetworks,FCN)[38]的 啟 發,基 于 深度 學 習 的 云 檢 測 方 法 逐 步 從 圖 像 塊 分 類 (patch-wiseclassification)發展為圖像像素分類 (pixel-wiseclassification)。Wu等人針對高分1 號寬幅遙感圖像(GF-1 WFV),通過融合 CNNs 提取的低層(low-level)和高層(high-level)的特 征來獲取云層的概率圖,并通過復合圖像濾波技 術來細化云檢測結果[39]。Yan等人利用修改的 殘差模型和金字塔池化模塊來實現云和云陰影 的檢測[40]。 傳統的FCN 模型在特征提取(即編碼器)階 段對圖像的下采樣很大程度上造成了圖像空間 信息的缺失。并且在上采樣(解碼器)階段直接 對低分辨率特征進行一次性的恢復,難以有效恢 復圖像的細節信息。Ronneberge等人通過在編 解 碼 器 之 間 加 入 特 征 融 合 以 及 反 卷 積 (transposeconvolution)的操作,提出了 U-Net 模型,很 大 程 度 上 提 升 了 圖 像 分 割 的 精 度[41]。 許多研究人員也提出了各類基于 U-Net模型的 云檢測方法。其中,Francis等人基于 U-Net框 架,結合了Inception等模塊,提出了 CloudFCN 云檢測方法[42]。Marc等人基于 U-Net框架,實 現了對云、云陰影等五種目標的檢測和分類,并 驗證了方法對不同衛星傳感器的泛化能力[43]。 Jeppesen等人同樣基于 U-Net框架提出了 RSNet(remotesensing network)模 型,僅 使 用 Landsat衛星圖像中的 RGB 通道,實現了高精 度的云 檢 測[44]。張 家 強 等 人 將 殘 差 模 塊 引 入 U-Net進行云檢測,提高了模型的表示能力和泛 化能力[45]。除 U-Net模型之外,另一種FCN 模 型的變體 SegNet模型[46]也被用于云檢測任務 當中。Chai等 人 基 于 SegNet分 割 模 型,針 對 Landsat衛星圖像實現了云和云陰影的檢測[47]。 么嘉棋等人將SegNet與隨機條件場相結合,提 升了云邊緣輪廓的檢測精度[48]。李佳欣等人以 SegNet模型為基礎,使用 POLDER多角度探測 衛星數據,構建了含有多角度信息的遙感圖像云 檢測模型[49]。上述工作大多直接使用自然圖像 的語義分割模型在云檢測數據集上進行訓練,沒 有針對云檢測的任務特點對模型結構進行特別 的優化和設計,因此對于云檢測任務當中出現的 諸如薄云、云邊緣、高反光的積雪和建筑物等難 樣本,上述方法通常表現較差。 近些年,隨著對云檢測任務的不斷研究,研 究人員發現,如何針對云檢測任務本身的特點和 難點,設計更加有效的多尺度特征提取和融合方 法,是提 升 云 檢 測 算 法 精 度 的 關 鍵 技 術 之 一。 Yang等人針對低分辨率遙感縮略圖像提出了 CDnet,通過設計特征金字塔、邊緣細化等模塊 提高了低分辨率圖像云檢測的檢測精度[50]。Li 等人則特別針對中高分辨率的遙感圖像,設計了 多尺度的卷積特征融合方法 MSCFF,提升了云 檢測精度,并在不同的傳感器所獲取的遙感圖像 上驗證了方法的有效性[51]。Shao等人針對云 檢測任務,在原有全卷積神經網絡的基礎上設計 了多尺度特征融合模塊,并提出了 MF-CNN 模 型,提升了對于薄云和厚云的檢測精度[52]。Yu 等人針對 GF-5圖像提出了多尺度融合門控云 檢 測 模 型 MFGNet(multiscalefusion gated network)[53]。MFGNet設計了雙分支 的 CNN 云檢測模型提取淺層和深層信息,并利用帶注意 力機制的金字塔池化和空間注意力機制來進行 特征融合,提升了云檢測的精度。Wang等人通過設計信息利用更充分的特征融合方式使云檢 測結果更準確精細[54]。Guo等人通過增加自適 應特征融合模塊以及高級語義信息指導流模塊, 結合空間維度和通道維度的注意力機制,提出了 CDNetV2模型,實現了云雪共存場景下的高精 度云檢測[55]。然而,過于復雜的特征融合方式 往往會導致模型的計算和內存復雜度過高。為 了解決 這 一 問 題,He等 人 提 出 了 DABNet方 法,通過使用 DCFP模塊動態提取多尺度特征, 并且設計了新的 BW 損失函數,提升云邊緣的 檢測精度[56]。 除上述對特征融合方式進行改進的工作外, 近期有部分工作針對云檢測任務和遙感圖像的特 點,提出了多種多樣的模型結構,取得了較好的云 檢測效果。其中,Li等人通過將云檢測過程結合 衛星成像機理,提出了 CloudMatting方法,可以 同時獲取云掩膜以及云層不透明度參數,可以一 定程度上估計云層的厚度[57]。Wu等人將經緯 度、海拔等地理信息和遙感圖像進行特征融合,提 出了 GeoInfoNet,實 現 了 對 云 和 雪 的 高 精 度 檢 測[58]。Wu等 人 提 出 了 場 景 聚 合 網 絡 (scene aggregationnetwork,SAN),其將場景信息與遙感 影響相融合,并利用融合的特征獲取高精度的云 檢測結果,同時可以實現對不同場景的分類[59]。 上述基于深度學習的云檢測方法相較于傳 統的基于光譜閾值和經典機器學習的方法可以 取得更高的云檢測精度,但是所有模型均需要使 用深度學習方法中常用的監督學習來進行訓練, 需要人工進行大量的像素級標注,十分耗費人 力。為了解決這一問題,近期許多基于弱監督學 習的云檢測方法被不斷提出。Zou等人通過生 成對 抗 網 絡 (generativeadversarialnetwork, GAN)來生成大量用于訓練的含云的遙感圖像, 從而避免了大量的人工標注[60]。Li等人將像素 級別的標注弱化為圖像塊(block-level)級別的 標注 信 息,并 提 出 了 全 局 卷 積 池 化 (global convolutionalpooling,GCP)運算來實現弱監督 下的云檢測[61]。仇一帆等同樣受到弱監督學習 的啟發,使用傳統的 CFmask方法(基于 C 語言 的 Fmask方法)代替人工標注來獲取云檢測標 注,而后基于SegNet模型進行云檢測[62]。 上述基于弱監督的云檢測方法雖然一定程 度上緩解了深度學習云檢測方法對于大量標注 信息的需求,但基于弱監督的云檢測方法精度相 較于主流的基于監督學習的云檢測方法存在一 定的差距。此外,深度學習方法本身對于大量訓 練樣本和計算資源的需求,仍是其在實際應用和 部署當中需要進一步解決的問題。表3對比了 本章提到的基于深度學習的云檢測方法的數據 來源和優缺點。

摘要: 圖像異常檢測是計算機視覺領域的一個熱門研究課題, 其目標是在不使用真實異常樣本的情況下, 利用現有的正常樣本構建模型以檢測可能出現的各種異常圖像, 在工業外觀缺陷檢測, 醫學圖像分析, 高光譜圖像處理等領域有較高的研究意義和應用價值. 本文首先介紹了異常的定義以及常見的異常類型. 然后, 本文根據在模型構建過程中有無神經網絡的參與, 將圖像異常檢測方法分為基于傳統方法和基于深度學習兩大類型, 并分別對相應的檢測方法的設計思路、優點和局限性進行了綜述與分析. 其次, 梳理了圖像異常檢測任務中面臨的主要挑戰. 最后, 對該領域未來可能的研究方向進行了展望.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200956

摘要： 隨著互聯網上多媒體數據的爆炸式增長,單一模態的檢索已經無法滿足用戶需求,跨模態檢索應運而生。跨模態檢索旨在以一種模態的數據去檢索另一種模態的相關數據,其核心任務是數據特征提取和不同模態間數據的相關性度量。文中梳理了跨模態檢索領域近期的研究進展,從傳統方法、深度學習方法、手工特征的哈希編碼方法以及深度學習的哈希編碼方法等角度歸納論述了跨模態檢索領域的研究成果。在此基礎上,對比分析了各類算法在跨模態檢索常用標準數據集上的性能。最后,分析了跨模態檢索研究存在的問題,并對該領域未來發展趨勢以及應用進行了展望。

//www.jsjkx.com/CN/10.11896/jsjkx.200800165

摘 要：小目標檢測長期以來是計算機視覺中的一個難點和研究熱點。在深度學習的驅動下，小目標 檢測已取得了重大突破，并成功應用于國防安全、智能交通和工業自動化等領域。為了進一步促進小 目標檢測的發展，本文對小目標檢測算法進行了全面的總結，并對已有算法進行了歸類、分析和比較。首先，對小目標進行了定義，并概述小目標檢測所面臨的挑戰。然后，重點闡述從數據增強、多尺度學 習、上下文學習、生成對抗學習以及無錨機制等方面來提升小目標檢測性能的方法，并分析了這些方法 的優缺點和關聯性。之后，全面介紹小目標數據集，并在一些常用的公共數據集上對已有算法進行了 性能評估。最后本文對小目標檢測技術的未來發展方向進行了展望。

摘要: 近年來, 基于卷積神經網絡的目標檢測研究發展十分迅速, 各種檢測模型的改進方法層出不窮. 本文主要對近幾年內目標檢測領域中一些具有借鑒價值的研究工作進行了整理歸納. 首先, 對基于卷積神經網絡的主要目標檢測框架進行了梳理和對比. 其次, 對目標檢測框架中主干網絡、頸部連接層、錨點等子模塊的設計優化方法進行歸納, 給出了各個模塊設計優化的基本原則和思路. 接著, 在COCO數據集上對各類目標檢測模型進行測試對比, 并根據測試結果分析總結了不同子模塊對模型檢測性能的影響. 最后, 對目標檢測領域未來的研究方向進行了展望.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190756

摘要： 形式化方法是在安全關鍵軟件系統中被廣泛采用而有效的基于數學的驗證方法，而智能合約屬于安全關鍵代碼，采用形式化方法驗證智能合約已經成為熱點研究領域.本文對自2015年以來的47篇典型相關論文進行了研究分析，對技術進行了詳細的分類研究和對比分析；對形式化驗證智能合約的過程中使用的形式化方法、語言、工具和框架進行綜述.研究表明，其中定理證明技術和符號執行技術適用范圍最廣，可驗證性質最多，很多底層框架均有所涉及，而運行時驗證技術屬于輕量級的新驗證技術，仍處于探索階段.由此我們列出了一些關鍵問題如智能合約的自動化驗證問題，轉換一致性問題，形式化工具的信任問題和形式化驗證的評判標準問題.本文還展望了未來形式化方法與智能合約結合的研究方向，對領域研究有一定的推動作用.

摘要: 目標檢測技術是光學遙感圖像理解的基礎問題, 具有重要的應用價值. 本文對遙感圖像目標檢測算法發展進行了梳理和分析. 首先闡述了遙感圖像目標檢測的特點和挑戰; 之后系統總結了典型的檢測方法, 包括早期的基于手工設計特征的算法和現階段基于深度學習的方法, 對于深度學習方法首先介紹了典型的目標檢測模型, 進而針對遙感圖像本身的難點詳細梳理了優化改進方案; 接著介紹了常用的檢測數據集, 并對現有方法的性能進行比較; 最后對現階段問題進行總結并對未來發展趨勢進行展望.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200596

【摘要】 人機對話技術作為人工智能領域的重要研究內容,它是人與機器的一種新型交互方式,受到學術界和工業界的廣泛關注。近些年來,得益于深度學習技術在自然語言領域的突破性進展,極大地促進了人機對話技術的發展。將深度學習融入人機對話系統技術中,不但使得端到端的方法成為可能,而且提取出的特征向量非常有效幾乎完全取代了人工特征。本文首先回顧了人機對話系統的發展歷程,介紹了人機對話系統的兩種類型,任務型對話系統和非任務型對話系統。其次,本文從理論模型、研究進展、可用性及存在的問題與挑戰等角度深度剖析了任務型對話系統的兩種方法,管道方法和端到端方法。重點分析深度學習技術和強化學習技術的具有代表性的前沿算法,并與傳統方法進行對比。最后,對任務型人機對話系統目前的評估方法和存在的問題進行總結,并展望了任務型對話系統的未來研究方向。

//tow.cnki.net/kcms/detail/detail.aspx?filename=JSJX20191105000&dbcode=CRJT_CJFD&dbname=CAPJLAST&v=

摘要: 三維重建在視覺方面具有很高的研究價值, 在機器人視覺導航、智能車環境感知系統以及虛擬現實中被廣泛應用.本文對近年來國內外基于視覺的三維重建方法的研究工作進行了總結和分析, 主要介紹了基于主動視覺下的激光掃描法、結構光法、陰影法以及TOF (Time of flight)技術、雷達技術、Kinect技術和被動視覺下的單目視覺、雙目視覺、多目視覺以及其他被動視覺法的三維重建技術, 并比較和分析這些方法的優點和不足.最后對三維重建的未來發展作了幾點展望。