基于深度学习的风云四号卫星图像超分辨率重建

风云四号A卫星(FY-4A)部分通道的图像分辨率较低,影响风云卫星多通道协同监测能力。针对该问题,提出一种改进的超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks, ESRGAN)算法来实现FY-4A影像的超分辨率重建。该方法基于ESRGAN的生成器架构,利用迁移学习策略,将预训练权重作为模型的初始值,设计了一组包含5层空洞卷积层的残差密集模块(Residual-in-Residual Dense Block, RRDB),并优化了损失函数。结果表明,在4倍影像分辨率重建下,相比于ESRGAN算法,改进的ESRGAN算法在峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)、结构相似性(Structural Similarity, SSIM)、空间相关系数(Correlation Coefficient, CC)上分别提高了0.704、0.029、0.002,均方根误差(Root-Mean-Square Error, RMSE)降低了10%,且重建影像更加清晰自然,纹理更加细致。     

一种基于量子机制的图像显著性检测方案

提出了一种与传统方法相比效率更高的量子图像显著性检测方案.为了在量子计算机中表示和存储RGB图像,并计算不同像素间的反差,此方案采用3量子位描述颜色信息,把2轨×2图像矩阵编码为量子叠加态;结合Hadamard门和受控旋转算子,计算基态概率幅可反映像素在RGB三通道上的全局颜色反差;通过有限次数的投影测量可得到像素的归一化颜色反差及位置信息,并构建显著图.给出了相关量子电路的实现和复杂度分析.与多种传统显著性检测算法进行了对比实验,结果表明提出的方案具有良好的检测效果和更高的检测效率.     

基于多尺度样本扩增的高光谱影像半监督分类

大量的训练样本可有效缓解模型过拟合,从而提高分类效果。在初始标记样本较少的情况下,开展借助不同尺度的同质区快速扩增大量高精度训练样本的实验,并利用初始标记样本和扩增样本训练支持向量机(Support Vector Machine, SVM)分类器,实现对高光谱数据的有效分类。该方法在Pavia University、Salinas和Indian Pines三种高光谱数据上均能获得大量高精度的训练样本,分类精度分别达到99%、99%和97%以上。实验结果表明,扩增的大量伪标签样本可以有效训练SVM分类器,提高分类效果。     

政府数据治理服务模式探索

数字政府时代,政府部门对数据治理的需求不断增加,对数据治理的专业化、实时性、个性化要求越来越高,单纯的平台、工具建设成本高、操作难、效果微。从政府数据治理服务角度出发,提出一种基于政务数据资源体系的政府数据治理服务模式,能够快速、高效地响应政府数据治理差异化需求,助力政府业务流程和服务模式的数字化、智能化,并以济南市数据治理服务模式实践为例进行说明。