关键词： SAR   建筑物震害   深度学习   空间域纹理特征   频率域纹理特征  

摘要： 地震灾害发生时都会造成大量财产损失及人员伤亡。在地震灾害的严峻挑战下,及时且准确地评估灾情对于制定高效救援策略至关重要。鉴于合成孔径雷达（Synthetic Aperture Radar,SAR）技术在恶劣天气条件下的卓越表现,其在震后快速响应与损失评估中展现出不可估量的价值。单极化震后星载SAR数据虽然在震后较容易获取,但信息量单一、解译抽象,且受空间分辨率限制,建筑物震害信息识别精度往往不够理想[1]。本文为了提高单极化SAR数据建筑物震害识别精度,分别使用三种不同的深度学习网络,包括卷积神经网络（Convolutional Neural Network,CNN）、深度残差神经网络（Residual Network,Res Net）以及密集连接卷积网络（Densely Connected Convolutional Networks,Dense Net）,并结合空间域和频率域纹理特征,有效区分了倒塌与未倒塌的建筑物,取得了较好的识别结果。 本研究发现特征数量与特征参数本身的特性均对深度学习网络的建筑物震害识别精度产生了较大影响。本文以2023年2月6日土耳其7.8级地震损毁最严重的卡赫拉曼马拉什（Kahramanmaras）区域为例,融合SAR原始数据、均值与中值2项空间域纹理特征以及频率域纹理特征Gabor,提出了基于卷积神经网络、深度残差神经网络以及密集连接卷积网络的三种建筑物震害信息提取方法。其中,基于卷积神经网络的方法取得了80.98%的总体分类精度,远高于原始SAR图像的分类精度47.84%,也高于仅使用空间域特征的分类精度73.30%以及仅使用频率域特征的分类精度73.42%。同时,基于深度残差神经网络结合空间域和频率域纹理特征的建筑物震害信息提取方法最终得到了82.72%的总体分类精度,基于密集连接卷积网络结合空间域和频率域纹理特征的建筑物震害信息提取方法达到了84.49%的总体分类精度,为最高的总体分类精度。其中,Dense Net方法对倒塌建筑物以及未倒塌建筑物的分类精度最高,分别为86.09%和93.77%,而CNN和Res Net对植被和裸地的分类分别达到了最佳分类效果,为83.14%和84.31%。本研究提出的方法能够为震后受灾情况调查与灾害评估提供技术支持。

关键词： 图神经网络   多类不平衡   过采样   拓扑结构   节点不平衡  

摘要： 近年来,随着深度学习技术的不断发展,图神经网络在处理图数据方面表现出巨大的潜力。图神经网络良好的学习性能是建立在类别分布均衡的基础之上,然而实际应用中因出现概率的不同,图数据往往是类别分布不均衡,即某些类别的样本数量明显多于其他类别,严重影响了图神经网络的分类性能。图的不平衡学习成为图神经网络面临的重要挑战之一。基于少数类样本生成的过采样方法是该领域常用方法之一,它通过生成一定数量的少数类样本来重新平衡类别分布,从而缓解由分类边界偏移引起的性能下降问题。尽管过采样方法在图的不平衡学习方面取得了重要进展,但现有过采样技术过于关注节点特征,忽略了拓扑结构,导致样本拓扑结构多样性不足。此外,现有方法在过采样时生成的节点过于相似,导致节点多样性欠佳。这些问题导致图神经网络分类性能下降。针对上述问题,本文分别提出两种基于图神经网络的多类不平衡数据学习方法,主要工作和贡献如下: (1)针对现有方法生成样本拓扑结构多样性不佳的问题,提出了一种基于图拓扑辅助分类器生成对抗网络(GT-ACGAN)的过采样方法。与传统方法不同,本文引入了一种基于潜变量的图拓扑生成方法,旨在学习图的拓扑结构。该方法首先利用原始图训练VGAE模型,通过VGAE编码器获取原始图的潜变量。然后通过神经网络将随机噪声转化为过采样节点的潜变量。最后,VGAE解码器将这些潜变量还原为新的邻接矩阵。将基于潜变量的生成方法作为GT-ACGAN的生成器,生成平衡的图数据,而GT-ACGAN的鉴别器则训练以区分节点的真实性及其类别。该方法有助于模型生成具有拓扑多样性的图数据。通过在经典引文网络数据集上的实验证明,GT-ACGAN的表现优于现有的代表性过采样方法。 (2)针对生成节点过于相似导致决策边界压缩和分类性能下降的问题,提出了一种基于边界过采样的图节点不平衡分类算法(Im BS)。Im BS首先通过双层图神经分类网络选择每个类别中的高置信度样本作为采样锚点,提高锚点的代表性。然后,利用混淆矩阵计算少数类误判的分布比例,自适应计算不同类间生成的样本数量。在此基础上,引入基于锚点的混合过采样方法,通过混合异类锚点特征过采样边界节点,以增加样本多样性和扩展少数类决策边界。此外,为防止有害连接,引入个性化Page Rank方法为过采样样本生成邻域分布。在三个真实数据集上的实验证明,该方法相较于9个代表性方法表现出明显的优势。

关键词： 负性生活事件   生命意义感   学业倦怠   教师支持  

摘要： 近年来,随着国内教育水平的提升和家长观念的进步,教育已成为每个家庭高度关注的焦点。在这样的背景下,学校和家长都非常重视学生的学习成绩和效果,学习过程不仅在学校进行,也延伸到了家庭。随之而来的是大量考试和不断增加的学习负担,给学生的心理和身体带来了巨大压力,导致青少年出现不同程度的学习倦怠。青少年时期,他们不仅要应对学业压力,还会对人际关系、环境以及健康等方面感到焦虑。本研究旨在探讨青少年负性生活事件对学习倦怠的影响机制,以及生命意义感在二者之间的中介作用,教师支持在负性生活事件和学习倦怠以及生命意义感和学习倦怠这两条路径上的调节作用,并根据研究结论提出缓解学习倦怠的建议和做法。 本研究采用青少年生活事件量表、青少年学业倦怠量表和生命意义感量表、感知教师支持量表对安阳市三所学校的542名中学生进行量化问卷调查,剔除无效和空白问卷,获得有效问卷516份,本研究采用SPSS27.0对有效数据进行处理和分析。研究结果如下: (1)青少年生活事件与学业倦怠呈显著正相关,生命意义感与学业倦怠呈显著负相关。 (2)青少年生活事件能正向预测学业倦怠,生命意义感的中介作用显著。 (3)教师支持在负性生活事件和学习倦怠之间调节作用不显著。 (4)教师支持在负性生活事件和生命意义感之间调节作用不显著。 研究二选取10名学生进行了质性访谈,访谈结果显示:大部分学生受到负性生活事件的影响,低学习倦怠水平的学生能积极寻找解决方法,降低负性生活事件产生的消极影响。高学习倦怠水平的学生,态度悲观,消极面对,受到负性生活事件的消极影响更大。 基于量化研究和质性研究结果,本研究提出在学校和家庭两个系统中都应构建一个支持系统,给与学生更多学习及生活上的支持;在学校内通过团体辅导干预增强学生对生命意义的认知,提升学生生命意义感;同时帮助学生树立合理的目标,构建多元的评价体系,从而为缓解学生学习倦怠水平,提升学习效率提供相应的指导和建议。

关键词： 时空数据挖掘   时空轨迹数据   自监督学习   预训练  

摘要： 时空轨迹通常表示为带时间戳的地点序列,是用户或车辆在地理空间区域内出行或移动行为的记录。时空轨迹数据挖掘在智能交通系统的各种应用中至关重要,这些应用包括地点分类、移动预测、交通流预测、交通需求估计、旅行时间估计、交通异常检测和轨迹-用户关联分析等。时空轨迹数据挖掘近年来成为学术研究的热点,主要受两方面因素的推动:一方面,智能手机和车辆定位系统等轨迹数据采集设备的普及,提升了大规模时空轨迹数据的可用性;另一方面,智能交通和智慧城市应用需求的增长,推动了高效时空轨迹数据挖掘方法的研发需求。 传统的机器学习算法依靠人工特征工程进行数据模式挖掘,其成本高昂,且难以有效提取时空轨迹中的复杂特征。近年来,众多研究证明神经网络与深度学习方法能够自动、有效地从数据中抽取特征。现有的时空轨迹深度学习方法大多采用端到端学习方式。然而,此方案依赖于通常难以获取的大规模标签数据集来取得最佳性能,在实际应用场景中的可行性受限。相比之下,自监督学习方法从可用性通常较高的无标签数据集中提取监督信息,学习得到的模型具有较好的泛化性,可以适配多种下游任务。在时空轨迹数据挖掘中应用自监督学习技术能够消除对人工特征工程和大规模标签数据的依赖,并且提升时空轨迹数据应用于多种下游任务时的计算与存储效率。因此,时空轨迹自监督学习逐渐成为促进轨迹数据挖掘技术与应用发展的关键研究领域。然而,时空轨迹的复杂性与特殊性给自监督学习方法的构建带来了多方面的挑战。具体而言,自监督学习方法需要对多方面时空信息进行全面挖掘与融合,并灵活适配各种任务与场景下的稀疏或不完整的轨迹输入。 本文旨在构建时空轨迹的自监督学习方法,解决自监督学习应用于时空轨迹数据时所面临的挑战,实现能够应用于多种下游任务并提升任务准确率的时空轨迹挖掘模型。具体而言,文本围绕时空轨迹中的访问时间信息、上下文信息和行程信息,构建有效挖掘并融合多方面信息的时空轨迹自监督学习方法;同时,针对稀疏或不完整的轨迹输入,构建面向通用性的轨迹自监督学习方法。所构建的方法的有效性在多种轨迹数据集和下游任务上得到了验证。 本文的主要研究内容和技术贡献如下: 1)围绕时空轨迹中的访问时间信息,研究了访问时间感知的轨迹自监督学习方法,提出了一种时间感知的地点嵌入模型TALE。该模型提出了一种新颖的时间哈夫曼树结构,将轨迹点按照访问时间分配到时间节点中,从而提取地点的功能特征。同时,提出了一种时间软划分机制,以减少信息丢失,并提高访问时间信息建模的准确性。在四个轨迹数据集和三种下游任务上的实验验证了TALE模型自监督学习的有效性。 2)围绕时空轨迹中的上下文信息,研究了上下文感知的轨迹自监督学习方法,提出了一种上下文与时间感知的地点嵌入模型CTLE。该模型提出了一种考虑轨迹中动态上下文信息的自监督学习方法,能够建模多功能地点的准确功能特征。同时,提出了一个时间编码模块和小时掩码自监督目标,同时考虑了轨迹的两方面访问时间信息。在两个轨迹数据集和轨迹预测下游任务上的实验验证了CTLE模型自监督学习的有效性。 3)围绕时空轨迹中的行程信息,研究了行程信息建模的轨迹自监督学习方法,提出了一种起终点先验的轨迹行程生成模型IGOP。该模型首先设计了一种对轨迹噪音鲁棒、有利于模型区分轨迹异常值的轨迹行程表示形式。随后,提出了一种基于扩散生成的自监督学习方法,能够建模轨迹行程与起终点的关联性,并能生成起终点对应的行程。在两个轨迹数据集和两种下游任务上的实验验证了IGOP模型自监督学习的有效性和可解释性。 4)针对多方面时空信息的全面挖掘与融合,研究了多视图融合的轨迹自监督学习方法,提出了一种轨迹多视图最大熵嵌入模型MMTEC。该模型通过一个离散轨迹编码器和一个连续轨迹编码器,分别建模能概括轨迹中多方面信息的离散、连续时空视图。同时,提出了一种轨迹的多视图最大熵编码自监督框架,能够有效地融合轨迹的两个视图。在两个轨迹数据集和三种下游任务上的实验验证了MMTEC模型自监督学习的有效性和全面性。 5)针对稀疏或不完整轨迹输入的灵活适配,研究了面向通用性的轨迹自监督学习方法,提出了一种通用轨迹模型GTM。该模型将轨迹特征划分为能够独立掩盖与生成的三个特征域,使得模型能够灵活适配各种任务中的不完整轨迹输入。同时,设计了恢复稀疏轨迹对应稠密轨迹的自监督学习目标,能够维持模型在面对稀疏轨迹时的性能。在两个轨迹数据集和三种下游任务上的实验验证了GTM模型应对各任务和场景的有效性。

关键词： 物理信息神经网络   高阶非线性孤子方程   数据驱动解   参数发现   非线性动力学  

摘要： 物理信息神经网络(PINNs)自提出以来,被广泛应用到非线性偏微分方程的数值求解中,其主要思想是将一些潜在的物理规律嵌入到传统神经网络方法当中,便于直接从时空数据中揭示方程解的动力学行为. 本文基于PINNs深度学习方法对(1+1)维五阶非线性孤子方程和(2+1)维四阶耦合非线性偏微分方程(c NPDE)的正反问题进行求解,并对孤子的动力学行为进行模拟、分析.为此,首先给出数据驱动求解、发现高阶非线性孤子方程的一般步骤,以及影响PINNs模型表现的七个因素.其次,借助于PINNs方法求解Kaup-Kuperschmidt(KK)方程的多重孤子解,并基于多重孤子解数据识别KK方程高阶线性项与非线性项的系数.此外,通过求解一个(2+1)维四阶c NPDE三种类型的数据驱动解,以及识别方程的六个待求系数,验证PINNs方法在求解高阶耦合方程正反问题中的有效性.特别地,利用特定时刻下的已知信息对模型进行校正,使求解反问题时观测信息的选取方式得到进一步扩展;在求解高维c NPDE的研究中,通过对损失函数进行组合、改进,方程在多物理信息条件下的解和参数得以成功预测.最后,数值实验表明,PINNs方法不仅可以有效求解五阶KK方程和四阶c NPDE的正反问题,而且有助于揭示孤子的传播方向和动力学行为.

关键词： 航空遥感图像   目标检测   特征融合   深度学习   卷积神经网络   注意力机制  

摘要： 航空遥感图像目标检测是航空遥感图像智能解译的关键技术。然而,由于成像距离远,待检目标在图像中占比小,导致目标检测精度受到严重影响。此外,航空遥感图像还具有尺寸大、复杂背景干扰、目标尺寸差距大以及目标分布角度任意等多种特点,这些都给目标检测带来了挑战。针对上述问题,基于深度学习理论,本文围绕航空遥感图像目标检测的系列关键问题展开研究,具体工作包括: (1)针对航空遥感图像中复杂环境的干扰和目标类别之间高度相似性的问题,提出了一种基于上下文信息聚合感知的遥感图像旋转目标检测方法。以BBAVectors检测器为骨干,引入了高低频特征增强模块和全局信息聚合模块,通过捕获高频信号和聚合上下文信息来实现对图像局部细节的建模,提高旋转目标的检测精度。在高频和低频特征增强模块中,分别使用最大池化(大尺寸卷积)分支和小尺寸卷积分支来提取高频和低频信息。同时,基于特征热力图的特点,提出了全局信息聚合模块,用于大感受野的全局信息融合,实现热力图中目标的精确选择。在HRSC2016和DOTA数据集上,对改进方法进行了实验评估,mAP准确率分别达到90.23%和74.29%。实验结果表明所提出的方法与对比方法相比性能表现更为良好。 (2)针对航空遥感图像中旋转目标的尺度差距过大以及待检目标极小问题,提出了一种基于双向特征融合网络的旋转目标检测方法。本方法首先通过双向特征融合网络,结合CNN和Transformer的优势实现更广阔的感受野,有效应对旋转目标的尺度变化问题。接着利用为信息解耦设计的动态融合双分支检测头,独立处理分类与回归信息,并通过动态融合技术增强对小目标的分类和检测性能。最后,本文在DIOR-R和HRSC2016数据集上进行了大量实验,mAP准确率分别达到了 64.63%和90.50%。 (3)针对航空遥感图像目标检测算法参数多、体积大、检测速度慢等问题,提出了一种基于YOLOv8n改进的轻量级遥感图像目标检测方法。在YOLOv8n的基础上引入了CoordAtt注意力机制,使得模型能够在通道注意力的基础上兼顾其位置关系,同时替换WIoU Loss,实现动态聚焦更好质量的锚框,减少低质量锚框所产生的有害梯度,提高检测器的精度性能。此外,使用剪枝手段压缩检测模型的参数量,筛选出有效的特征通道,进而解决模型的特征冗余问题。最后,本文在DIOR和HRSC2016数据集上进行了大量实验,实验表明相比于其他的方法,本方法可以实现更好的精度-检测速度的平衡。

关键词： 图表示学习   对比学习   半监督学习   无监督学习   类别不平衡  

摘要： 在大数据时代的背景下,数据之间普遍存在紧密的关联性,这种关联性在多个领域中得到体现,如社交媒体中用户间的互动、科学研究中文献间的相互引用,以及生命科学中蛋白质的相互作用等。这种普遍的数据关联性促成了网络大数据的形成。作为一种高效且广泛应用的数据表示形式,图结构数据能够有效捕捉节点之间的关联特性,在网络大数据领域尤为适用。作为一种非欧几里得结构数据,图数据的复杂关联性对现有的深度学习模型和机器学习算法提出了更高的要求,进而催生了图表示学习方法的发展。图表示学习为理解和分析这些复杂的关系型数据提供了有效的工具。然而,由于图规模的快速增长和图的复杂结构,传统的图表示学习方法在计算复杂度和可扩展性方面显示出了一定的局限性。 在这样的背景下,对比学习作为一种强大的自监督学习方法,为图表示学习开辟了新的思路。通过设计对比任务,对比学习能够从大规模图数据中挖掘出丰富的节点关系信息,为图结构数据提供更具判别性和泛化性的表示。目前,对比学习在图表示学习领域已经取得了显著的进展。然而,这一领域仍面临着若干挑战,包括在不同应用场景下设计有效的对比任务、应对数据类别不平衡以及提升领域适应性等问题。本文深入探讨在半监督、无监督以及类别不平衡的场景下,基于对比学习的图表示学习方法,解决现有方法的局限并推动该领域的进步。本文的主要研究内容与贡献如下: (1)在半监督的场景之下,为解决现有节点级图对比学习方法存在的问题,提出了一种由标签引导的图对比学习框架,以挖掘节点间的语义级特征相似性。具体而言,由于模型的预测包含语义信息,因此在训练过程中利用未标记节点的预测来引导对比学习中的采样过程。由于无法保证对未标记节点预测的准确性,不可避免地会采样到一些错误的正节点。为解决这个问题,引入了一个基于深度聚类的自检查机制,以确保采样的正节点的可靠性。该机制对节点嵌入聚类,只考虑那些在聚类分配和伪标签方面具有一致性的节点对作为正对,从而提高了方法的鲁棒性。此外,还设计了一种基于锚节点概率分布的重加权策略,以增加难负节点的影响。这一策略通过有针对性地选择负节点,特别是难负节点,进一步提高了对比学习的性能。在各种图基准数据集上的实验结果表明标签引导的图对比学习算法具有显著的优越性。 (2)在无监督的场景之下,为更好地探索整体数据的潜在语义结构,提出了一种图原型对比学习(GPCL)框架,将特征相似性的建模从实例级别提升到原型级别。通过构建一个理论框架,将GPCL视为一种在线期望最大化算法。该框架迭代执行在线聚类和图原型对比学习,在这个迭代过程中逐步发现并细化数据的潜在语义结构。具体而言,引入了图原型对比损失函数,其包括一个实例级对比损失,用于建模实例级特征相似性,以及一个原型级对比损失,用于建模原型级特征相似性。原型级对比损失包括两个图对比目标,分别为表示一致性对比目标和聚类一致性对比目标。其中,前者用来学习类内不变和类间区分的表示,后者用来学习同一簇中实例及其增强之间相似的簇分配。通过在大规模无标签数据上预训练,然后在下游任务上微调来评估GPCL,实验结果验证了GPCL的优越性。 (3)在类别不平衡的场景之下,提出了针对类别不平衡的原型图对比学习方法。通过引入原型对比损失,鼓励次要类别生成相对于主要类别可区分的分布。隐式地在学得的平衡特征空间中编码数据的语义结构,形成清晰的决策边界。此外,由于次要节点容易被错误分类为与其具有更多边连接的其他类别,提出了根据负样本的局部和全局的结构特征衡量其难度的方法,重新加权负样本,以进一步提升原型图对比学习的性能。通过实验验证,具有结构感知的原型图对比学习方法在各种流行的类别不平衡图数据集上均取得了有竞争力的结果。