航空文献资源库

按文献类别分组

按栏目分组

按年份分组

按来源分组

关键词

陆航飞行员胜任特征调查问卷的初步编制: 作者： 陈凯强 来源： 人民军医 年份： 2017 文献类型： 期刊 关键词： 陆航飞行员初步编制胜任特征调查问卷; 描述： 目的:初步编制陆航飞行员胜任特征调查问卷。方法:采用归类汇总后形成的44个条目为初始问卷,对陆航某训练基地直升机飞行员124例进行调查,分析其胜任特征因子和问卷内部一致性信度等。结果:成就力条目分值与总分的皮尔逊积差相关系数0.4,为保留条目。探索性因子分析结果显示,陆航飞行员胜任特征由交往能力、认知能力、观察能力、精神素养、工作能力和身体能力等6个因子构成。陆航飞行员胜任特征调查问卷的内部一致性系数均>0.80(P<0.05),总问卷内部一致性信度系数为0.936(P<0.05)。结论:该问卷具有较好的信度,可初步用于陆航飞行员胜任特征调查。

陆航飞行员胜任特征重要性评价模型: 作者： 陈凯强 班定军 来源： 华南国防医学杂志 年份： 2017 文献类型： 期刊 关键词： 评价模型陆航飞行员胜任特征; 描述： 。结果 1敬业奉献等9项指标的赋值上陆航飞行员显著高于普通军官,9项指标被确定为评价陆航飞行员最重要的指标;2根据22项指标建立了陆航飞行员重要性评价模型,共三级指标,第一级指标包括敬业奉献等9项胜任

基于编解码网络的航空影像像素级建筑物提取: 作者： 陈凯强 高鑫闫梦龙张跃孙显 来源： 遥感学报 年份： 2021 文献类型： 期刊 关键词： 卷积神经网络建筑物提取深度学习遥感航空影像; 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

基于编解码网络的航空影像像素级建筑物提取: 作者： 陈凯强 高鑫闫梦龙张跃孙显 来源： 遥感学报 年份： 2021 文献类型： 期刊 关键词： 卷积神经网络建筑物提取深度学习遥感航空影像; 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

基于编解码网络的航空影像像素级建筑物提取: 作者： 陈凯强 高鑫闫梦龙张跃孙显 来源： 遥感学报 年份： 2021 文献类型： 期刊 关键词： 卷积神经网络建筑物提取深度学习遥感航空影像; 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

< 1 >