Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

Banach空间二阶非线性微分方程的弱Carathéodory解

本文定义了二阶微分方程的弱 Carathéodory解 ,在不涉及紧型条件的情形下 ,直接用迭代法证明了 Banach空间二阶非线性常微分方程两点边值问题存在唯一解 ,并给出逼近解迭代序列的误差估计 ,对周期边值问题得到类似的结果     

谐和与随机噪声联合作用下Van der Pol-Duffing振子的参数主共振

研究了Van der Pol-Duffing振子在谐和与随机噪声联合激励下的参数主共振响应和稳定性问题。     

赤道不是轨道弧的n次多项式向量场的Poincaré紧化场之拓扑结构

本文证明了赤道不是轨道弧的n次多项式向量场的Poincare紧化场之拓扑结构包含赤道是轨道弧的n-1次多项式向量场的Poincare紧化场之拓扑结构;当n=2时,这种包含关系是相等的,且其Poincare紧化场有五种不同的拓扑结构;当n=2k+1(k=1,2…)时,这种包含关系是真子集。     

Hermite-Fejér和Lagrange插值逼近的Steckin-Marchaud不等式

引近了一种新的K-泛函,由此建立了积分型Hermite-Feéjr和Lagrange插值逼近的Steckin-M archaud不等式.     

实验研究二维圆柱后尾流中涡脱落的有序和混沌现象

本文给出了在Re=50—400范围内二维圆柱后涡脱落的有序和混沌现象的一些初步实验结果。涡脱落由有序到混沌的转捩发生在Re=184.6—193.5之间,但是它不是通过准周期途径。在涡脱落频率与Re数的关系曲线上有两个间断。在Re=70处的间断可能对应于倾斜涡脱落模式的变化,在Re≈193.5处的第二间断对应于由有序到混沌状态的转捩。     

Nd(Fe,Si)11Cx化合物的全电子计算(x=0,2)

采用基于第一原理的全势能线性缀加平面波加局域轨道((L)APW lo)方法对Nd(Fe,Si)11Cx化合物(x=0,2)的电子结构进行了计算,得到了化合物态密度和磁矩等信息.计算结果表明NdFe9Si2化合物中Si原子主要与4b和32i位Fe原子产生杂化,导致Fe原子磁矩减小.NdFe9Si2C2化合物C原子使32i位Fe原子磁矩进一步降低,同时减弱了Si原子的影响,使得4b位Fe原子磁矩增大.     

Parametric estimation of discretely sampled Gamma-OU processes

The stationary Gamma-OU processes are recommended to be the volatility of the financial assets. A parametric estimation for the Gamma-OU processes based on the discrete observations is considered in this paper. The estimator of an intensity parameter A and its convergence result are given, and the simulations show that the estimation is quite accurate. Assuming that the parameter A is estimated, the maximum likelihood estimation of shape parameter c and scale parameter a, whose likelihood function is not explicitly computable, is considered. By means of the Gaver-Stehfest algorithm, we construct an explicit sequence of approximations to the likelihood function and show that it converges the true (but unkown) one. Maximizing the sequence results in an estimator that converges to the true maximum likelihood estimator and the approximation shares the asymptotic properties of the true maximum likelihood estimator. Some simulation experiments reveal that this method is still quite accurate in most of rational situations for the background of volatility.