旋转式航空重力梯度仪动态测量误差传递模型与事后误差补偿

作者： 程一   李桐林   周帅   来源： 地球物理学报 年份： 2022 文献类型 ： 期刊 关键词： 误差传递模型   事后误差补偿   深度学习   重力梯度仪  

描述： 航空重力梯度测量技术可快速、高效地完成面积性重力梯度数据采集工作，在矿产资源勘查、军事目标探测等诸多科学领域具有广泛的应用.而航空重力梯度动态测量误差补偿方法是重力梯度动态测量数据处理中的一项重要工作.本文首先对旋转式重力梯度仪误差传递机理进行了定量分析，在综合考虑重力梯度仪系统非理想因素相互作用的情况下，建立了多种非理想因素与外部动态运动参数相耦合的误差传递模型；其次，提出了基于数据驱动的深度学习方法对航空动态测量误差进行补偿，并基于误差传递传递模型建立仿真数据样本集验证了方法的有效性；最后，通过航空重力梯度仪实测数据的处理和应用，验证了本文建立事后误差补偿方法的泛化性，进一步验证了本文建立方法在航空动态测量噪声抑制中的实用性，为航空重力梯度动态测量数据的处理提供技术储备.

基于深度学习的航空器场面轨迹预测

作者： 李雪   何元清   胡耀   来源： 现代计算机 年份： 2022 文献类型 ： 期刊 关键词： 长短期记忆网络   深度学习   轨迹预测  

描述： 轨迹预测研究是安全高效控制场面滑行的重要基础，在路由规划，风险预警，航班次序，重要节点的时间安排等都能起到重要作用。利用深度学习中循环神经网络的长期记忆性特点，对航空器场面历史数据进行分析和预处理，设定网络模型参数，构建轨迹预测模型，提出了一种基于深度学习的航空器场面滑行轨迹预测方法。结合场面航空器运动状态的变化，改进长短期记忆网络的隐藏层结构，实现对航空器场面轨迹的中期预测。

基于注意力机制的航空图像旋转框目标检测

作者： 常洪彬   李文举   李文辉   来源： 吉林大学学报(理学版) 年份： 2022 文献类型 ： 期刊 关键词： 航空图像   注意力机制   目标检测   深度学习  

描述： 针对在航空遥感图像目标检测中，航空图像在俯视图下呈任意方向排列，存在图像尺寸大、方向任意和背景复杂等问题，为能在复杂背景的航空图像中仍有较好的检测结果，提出一种基于注意力机制的旋转框航空图像目标检测模型.该模型首先采用RetinaNet作为基线模型，在原有检测器结构的基础上，增加额外的角度参数以适应旋转框目标检测；然后提出一个新的通道语义提取注意力模块(CSE),用于捕获全局语义信息和通道关系，并预测粗糙包围盒与分类分数；最后采用特征对齐和改进的Fast R-CNN检测头进行精细化处理，进一步提升检测精度，得到最后的分类和回归结果.实验结果表明，该方法在公开航空遥感数据集DOTA上的检测精度达到77.71%,优于其他先进的旋转框目标检测方法.

基于Transformer的航空目标检测算法

作者： 季长清   高志勇   秦静   汪祖民   来源： 无线电工程 年份： 2023 文献类型 ： 期刊 关键词： 倾斜目标   Transformer   深度学习   航空检测  

描述： 近几年，基于深度学习的目标检测算法在航空图像检测任务中得到了广泛的应用。针对传统的水平目标检测算法无法定位航空图像中大量密集排列的倾斜目标的问题，提出了TF-BBAVectors模型算法来实现航空图像中倾斜目标的检测任务。首先，为了避免深度卷积神经网络带来的网络退化等问题使用Transformer结构搭建特征提取网络；其次，针对密集地、小尺度图像目标的问题，采用多尺度特征融合的方法提升检测效果；最后针对倾斜目标检测的问题，通过边界框边缘感知向量表示任意角度的倾斜目标。在DOTA 1.0和SSDD+数据集上的部分测试结果表明，此方法的平均精度分别为72.39%和79.98%，证明了TF-BBAVectors模型算法的有效性。

遥感图像飞机目标分类的卷积神经网络方法

作者： 周敏   史振威   丁火平   来源： 中国图象图形学报 年份： 2017 文献类型 ： 期刊 关键词： 卷积神经网络   深度学习   可见光遥感   飞机   分类  

描述： 分类问题。方法在缺乏公开数据集的情况下,收集了真实可见光遥感图像中的8种飞机数据,按大致4∶1的比例分为训练集和测试集,并对训练集进行合理扩充。然后针对遥感图像与飞机分类的特殊性,结合深度学习卷积

基于深度学习的离场航空器滑行时间预测（英文）

作者： 李楠   焦庆宇   朱新华   王少聪   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   场面运行   滑行时间   深度学习   航空运输  

描述： 随着航班数量的不断增加,机场协同决策系统(Airport collaborative decision-making,A-CDM)的使用也越来越广泛。滑行时间预测的准确性对A-CDM计算离场航空器起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model,STEDL)来提高滑行时间预测的准确性。该模型由时间-流量变量(机场实际容量,场面航空器数量,时间段)、空间变量(滑行距离)、外部环境变量(天气,流控信息,跑道运行模式,机型)3部分组成。使用STEDL模型对香港机场离场航空器滑行时间进行预测验证。实验结果显示,STEDL模型预测准确率为95.4%,预测精度明显优于其他机器学习算法。

光学遥感图像中的飞机目标检测技术研究综述

作者： 祝文韬   谢宝蓉   王琰   沈霁   朱浩文   来源： 计算机科学 年份： 2021 文献类型 ： 期刊 关键词： 机器学习   光学遥感图像   深度学习   飞机目标检测   模板匹配  

描述： 光学遥感图像中的飞机目标检测技术已被广泛应用于城市规划、航空交通以及军事侦察领域。目前尽管已有大量研究,但仍然存在很多问题亟待解决。文中回顾了该技术研究现状,并从遥感图像目标检测思路出发,将飞机目标检测方法总结为3类,对这3类检测方法的概念和研究情况分别进行了阐述,并在此基础上进行了比较分析,重点研究了深度学习方法在该领域的研究情况并讨论了样本和数据集问题,最后讨论了飞机目标检测的关键技术难点,并对该领域的未来发展趋势做了展望。

光学遥感图像中的飞机目标检测技术研究综述

作者： 祝文韬   谢宝蓉   王琰   沈霁   朱浩文   来源： 计算机科学 年份： 2021 文献类型 ： 期刊 关键词： 机器学习   光学遥感图像   深度学习   飞机目标检测   模板匹配  

描述： 光学遥感图像中的飞机目标检测技术已被广泛应用于城市规划、航空交通以及军事侦察领域。目前尽管已有大量研究,但仍然存在很多问题亟待解决。文中回顾了该技术研究现状,并从遥感图像目标检测思路出发,将飞机目标检测方法总结为3类,对这3类检测方法的概念和研究情况分别进行了阐述,并在此基础上进行了比较分析,重点研究了深度学习方法在该领域的研究情况并讨论了样本和数据集问题,最后讨论了飞机目标检测的关键技术难点,并对该领域的未来发展趋势做了展望。

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。