关键词： 用户消费行为画像   GBDT算法模型   Xgboost算法模型   RandomForest算法模型   电商APP用户  

摘要： 从20世纪60年代左右开始,随着全世界计算机、互联网,以及近年来大数据技术等的飞速发展。各类应用软件、手机APP从不同方向、多维度不断改变着我们的日常生活。同时各类应用软件、网站、APP等也不断记录着我们的信息,这些信息也呈多维度、超体量、多深度的爆炸式增长。多维度、超体量、多深度的数据开启了我们新时代的转型,各个领域的企业家们逐渐意识到数据的深层次价值,数据、软件研发工作者们也开始深入研究如何利用海量数据,提取对企业更有实用价值的深层次衍生数据。各类手机电子商务APP的猜你喜欢的商品、抖音APP的个性推荐等数据化产品应运而生,这些数据模型就是利用用户的日常消费行为,购买偏好习惯等数据,通过一系数据分析方法,不断迭代数据模型,从而构建出用户画像,然后为企业精细化运营提供强有力的数智化、自动化工具支撑。对于各大电商平台,以及应用软件APP商家来说抓住数据先机,就会抓住了新时代的商机。然而过去传统的数据收集工具、构建工具,分析目标用户群体特征的方法等,数据分析结果偏差大,计算分析速度不高等问题亟待解决。近年来海内外的学者们针对这些问题进行了深入的研究与创新,迭代出各种基于多种算法模型研究用户精准画像的方法。本文的样本数据来源于某电商APP的真实脱敏用户数据,研究用户画像的基本概念、模型构建方法、最优算法组合模型等。先从单一实验模型开始,比较了GBDT算法模型、Xgboost算法模型、Random Forest算法模型,然后把这三种模型结合,构成组合模型,通过实验得出最理想的的组合算法模型,进而用于预测未来电商平台的客户购买意愿。依此为电商APP平台提供定制化的用户消费目标群体画像。通过实验得出GBDT算法模型-Xgboost算法模型-RandomForest算法模型组合可达到最好的用户画像构建、用户购买意向预测效果。借助此混合模型可应用于电商APP平台实现线上精准营销等。

关键词： 多层复杂网络   网络表示学习   链路预测  

摘要： 网络表示学习可以利用所学低维节点表示之间的距离来表征节点之间的相似性,是链路预测的一类重要方法。传统网络表示学习方法通常仅关注于单一类型的复杂网络,然而在现实生活中,一大部分复杂网络并不是孤立存在的,往往是由多个关系类型相互依赖、相互关联而形成的多层复杂网络结构。如何有效利用多层网络中复杂的依赖信息,以学得每层网络更鲁棒更有价值的节点表示,进而提升链路预测性能,是复杂网络分析领域的一个研究热点。已有多层网络表示学习方法在建模层间关系时,通常是基于拓扑一致性假设,而忽视了多阶异质相关性共存现象,且难以有效处理冷启动问题,因此限制了其在多层网络链路预测方面的性能。针对上述问题,本文开展了如下两个研究:首先,针对多层网络复杂依赖关系的多阶异质性共存问题,本文提出面向链路预测、融合网络间多阶异质相关性的网络表示学习方法。该方法通过参数共享的多层网络自编码器来同时学习每层网络独特的结构特征和层间共享的共同特征,并通过从全局语义、高阶上下文和低阶点对等多个层次来建模层间异质的相关性。将该方法和九种基准链路预测方法进行对比实验,验证了本方法的优越性和鲁棒性。进一步,为了解决链路预测中的冷启动问题,本文提出融合复杂交互关系的自适应多层网络表示学习方法。该方法通过引入一种同时利用层内和跨层结构特征的交互学习模型,充分学习多层网络间的依赖互补信息,得到更加丰富的节点表示,并通过一种自适应的优化方法,结合目标网络结构调整学习到的节点表示,更有效地为新节点预测潜在的链路。实验结果表明,本方法在多个真实数据集上具有良好的链路预测性能。本文从挖掘多层网络复杂依赖关系的角度,提出有效建模多阶异质相关性和可自适应归纳链路预测的两个网络表示学习新方法,有效提升了链路预测的性能。

关键词： 自监督表征学习   多视图编码   特征解耦合   目标检测   深度学习  

摘要： 在高速发展的互联网时代,各种智能设备会产生海量的图像数据。伴随着大规模人工标注数据集的出现,深度学习技术在图像分类、图像超分以及目标检测等计算机视觉领域取得了巨大突破,然而对图像数据进行人工标注是一个繁琐耗时的过程,相比之下无标签数据集廉价且容易获取。因此,如何有效地利用海量的无标签数据,是当前计算机视觉领域的研究热点之一。自监督表征学习通过设计自监督代理任务的方式构造监督信号,从无标注数据集中学习丰富的语义表征。然而现有的许多自监督表征学习模型在训练的过程中通常需要在批尺寸较大的情况下才能学习到良好的视觉表征,而设置较大的批尺寸往往需要消耗大量的计算资源。为了解决上述自监督表征学习算法中存在的问题,本文工作的主要内容如下:(1)基于特征解耦合相似度学习和特征差异化聚合关系推理的自监督图像表征学习算法。一方面,通过引入自注意力块和交叉注意力块来帮助模型更好地学习图像的全局语义信息和多视图图像之间的关联性信息;另一方面,通过对多视图图像特征进行差异化聚合后得到的正负样本对进行关系推理,来帮助模型学习多视图图像更加细粒度的语义信息。通过同时学习解耦合特征相似度学习任务和差异化聚合关系推理任务,能够帮助模型在批尺寸较小的情况下学习到更加丰富的语义表征。实验结果表明,相较于其他自监督表征学习方法,本文方法在多个图像分类数据集上能够实现更高的分类精度。(2)将自监督学习应用到目标检测任务中,提出了基于空间尺度学习和类别预测的自监督目标检测方法,在不需要增加额外人工标签的条件下,通过引入空间尺度信息学习任务和类别预测任务,帮助模型学习图像中目标之间的空间尺度关系和类别关系。(3)在第二个工作中,模型采用单一尺度特征图进行目标检测,往往会由于单一特征中包含的信息不全面而无法适应图像中不同目标的大小尺度差异,为了进一步提升模型对图像中目标的空间尺度大小的感知能力,本文对特征金字塔网络加以改进,在特征金字塔网络中加入注意力机制,得到注意力特征金字塔模块作为特征提取器。实验结果表明,本文的方法能够有效地提升目标检测模型性能。

关键词： 异常声音检测   自监督学习   残差卷积网络   数据增强  

摘要： 随着工业4.0的逐步推进,机器异常检测已经引起广泛关注。其中机器异常声音检测技术旨在利用机器运行时发出的声音进行机器异常检测。目前机器异常声音检测技术的研究大多采用深度学习的方法,其中面临的最大困难就是难以收集到机器运行过程中发出的异常声音,但却很容易收集到足够多机器运行发出的正常声音,这导致无法使用监督学习的方法对机器异常声音进行检测。本文设计了一个自监督学习方法来解决机器异常声音检测模型在训练过程中没有异常数据的问题,包括对网络结构的改进、强化潜在分布的收敛和优化异常分数计算规则三个方面。首先利用残差卷积网络改进了原始的全连接网络结构,并设计了辅助任务辅助模型训练。具体的做法是在模型的潜在特征层添加辅助分支,利用机器正常声音中包含的辅助标签来辅助机器异常检测模型的训练。这样既保证了原有的异常声音检测任务的训练,同时还可以使模型提取到更准确的特征表达。在对模型进行辅助训练的同时,结合多种数据增强方法进行训练使潜在特征的分布更加收敛,增强了模型的异常检测能力。同时,利用高斯混合模型优化了原有的异常分数计算规则。最终应用本文提出的自监督学习方法的残差卷积网络相较与基线系统在开发数据集上获得了0.104的AUC提升和0.146的pAUC提升;在评估数据集上获得了0.063的AUC提升和0.131的pAUC提升。为了验证该自监督学习方法对真实机器声音的检测效果,利用实测的变压器声音数据和航空发动机声音数据对自监督学习方法进行了效果验证。并考虑到机器异常声音检测的应用场景,在上述自监督学习方法的基础上开发了机器异常声音检测系统。系统使用Raspberry Pi作为核心板并搭配触摸屏实现了人机交互功能,并且系统具备离线和在线两种检测模式,可以应对不同的检测需求。使用实测的变压器声音数据和航空发动机声音数据分别对机器异常声音检测系统的离线检测和在线检测模式进行验证。实验结果表明,自监督学习方法可以很好的对真实场景下的机器声音进行检测,并且检测系统可以很好的区分正常声音和异常声音,实现对异常声音的检出。

关键词： 党史学习教育   基层党建工作   党员  

摘要： 在党的组织建设过程中，基层党建工作是非常重要的环节，与社会主义现代化建设密切相关。随着我国经济的不断发展，在制度、模式、方法方面，基层党建工作发生了一定的改变。新形势下，党建工作的开展应与实际工作相结合，深化党史学习教育，使得基层党员的能力和素质得到有效提升，充分发挥党员的先锋模范带头作用，推进社会主义现代化建设。以党史学习教育加强基层党建工作，提升党史教育的针对性和有效性，对于基层党建工作开展具有重要的现实意义。

关键词： 迁移学习   域适应   数据分类   生成对抗网络  

摘要： 随着互联网时代的来临,各种机器学习方法在大数据分析、计算机视觉等领域实践中取得了长足发展。传统的机器学习方法多是假设训练数据与测试数据独立同分布,然而,由于实际应用数据的复杂性,上述假设往往难以成立。因此,分析待测数据的隐藏信息并挖掘相关的已知数据信息成为现代机器学习的研究热点。迁移学习放宽了训练数据与测试数据独立同分布这一约束,旨在利用与目标域数据不同但相关的源域数据辅助完成目标域任务,实现已有知识在领域间的迁移及复用。本文主要针对迁移学习中的域适应问题,从不同方面系统性的进行研究。首先,针对存在单一源域情况,研究如何有效的提取样本特征并选择最佳特征分布对齐方法提升迁移效果。提出一种基于联合度量的对抗域适应模型。利用空洞卷积层设计补充网络联合Res Net50共同提取样本特征,扩大Res Net50的感受野范围,有效的提取样本细节特征与全局特征。同时,考虑样本边缘分布及条件分布,分别设计联合优化方法,有效的对齐不同域间的样本特征分布。实验表明,该模型能够利用单一源域数据辅助无标记的目标域数据良好的完成分类工作。其次,针对现实中存在多个源域情况,研究如何利用多个存在差异的源域更好的解决目标域任务。提出一种基于主特征选择的多源对抗域适应迁移学习模型。模型将特征提取网络分两步骤训练。首先,基于所有源域数据训练域共享特征提取网络,通过设置该网络与特征鉴别器对抗提取有利于样本分类的主特征。然后,基于各个源域与目标域一起训练域共享及域特定特征提取网络。为每个源域搭建分类器,通过设置特征提取网络与各个源域分类器对抗进一步提取样本主特征。同时,考虑到整体域差异的存在,基于每个源域搭建域鉴别器与特征提取网络对抗学习域不变特征。实验表明,该模型能融合多个源域的优势,有效降低杂乱背景对目标域分类的影响。最后,针对源域标签集是目标域标签集的子集,研究如何避免负迁移以更好的完成迁移学习。提出一种基于联合样本分离的开放集对抗域适应模型。将整体模型分三步骤训练。首先,基于源域数据,设定与当前类别平均距离最近的类别样本为负样本,联合当前类别样本训练多二元分类器,增强该分类器的泛化性。然后,提出联合样本分离方法,利用不同的样本选择方法挑选样本对,训练不同的目标域样本类别鉴别器,得到目标域样本属于“未知类”的权重。最终利用所得权重训练域判别器及目标域分类器,对齐域间共有类别样本特征,并将目标域样本准确分类。实验表明,该模型能有效的将域间共有类别样本对齐,降低目标域私有类别带来的负迁移影响。

关键词： 电化学   废水处理   神经网络   智能控制   响应面分析  

摘要： 电化学水处理技术具有污染物去除效果好、环境适应性强、无二次污染等优点,在废水处理领域得到广泛关注,然而能耗较高的问题限制了其在工程中的大规模应用。作为机器学习的重要分支,深度学习可以构建复杂系统中输入数据与输出数据之间映射关系,提取数据内在特征,实现网络整体优化,对复杂系统强大的在线学习能力使得深度学习方法在废水处理领域得到越来越多的关注。理论上,使用深度学习方法能够通过优化电化学系统工艺条件,从而增加可调控电化学系统去除废水的电流效率,以实现减少能耗的目的。然而,深度学习在电化学技术领域主要集中在电极材料制备和优化,对于其在电化学水处理领域应用的报道不多。针对以上不足,本课题选择预测精度较高的反向传播神经网络（Back Propagation Neural Network,BPNN）模型,以电化学法去除无机和有机污染物为应用场景,开展BPNN模型机器学习方法应用于电化学水处理过程的预测与优化的试验研究。论文重点探究了电化学法去除污染物效果、BPNN模型建立、效果预测以及电化学系统的智能调控策略,并对该策略进行了指数评价和分析。首先,论文开展BPNN模型机器学习方法应用于电化学法去除无机污染物的预测与优化的试验研究。本文选择废水中常见的氨氮为无机污染物的代表,探究氨氮初始浓度、初始pH、电解时间、电流、氯离子初始浓度和搅拌速率对电化学法去除氨氮效果的影响,并将实验所得数据用于训练深度学习模型,以此建立了工艺参数与污染物去除率之间的映射关系,成功构建了相应的BPNN模型。与响应面模型对比发现,BPNN模型在预测精度和稳定性方面更具优势（R2=0.958 vs R2=0.8901）。基于BPNN预测模型改变供电模式,电化学系统去除氨氮的能耗由原策略的3.303 × 10-5 kWh降至2.047× 10-5 kWh,降低为原策略的62%,大大提高了电流利用率。根据BPNN模型预测所得智能控制策略,可以有效对抗水质波动,使出水污染物浓度维持在相对稳定范围,初步证实了基于BPNN模型的机器学习方法能够应用于电化学水处理过程的预测与优化。其次,论文开展BPNN模型机器学习方法应用于电化学法去除有机污染物的预测与优化的试验研究。本文选择染料废水中常见的甲基橙为有机污染物的代表,探究甲基橙初始浓度、电流密度、初始pH、曝气速率以及电解质投加量对电化学法去除甲基橙效果的影响。通过影响因素权重分析进一步完善BPNN模型的构建,并据此选择权重较大的一个或多个因素进行预测和智能控制策略制定等过程。结果显示,本文所构建BPNN模型在优化后具有精准的预测效果（R2=0.996,RMSE=0.016）。基于BPNN模型预测结果对电流条件进行调控,理论上可以将电化学系统能耗从3.789×10-3 kWh降低至2.405×10-3 kWh,为原策略的64%。与单因素（电流密度）调控相比,多因素（电流密度、电解质投加量）调控思路可以将电化学能耗进一步降至5.966× 10-4 kWh,为原策略的16%。面对水质波动情况,多因素调控思路所构建的智能控制策略可以维持稳定出水浓度,减少异常情况的负面影响,该结果进一步证实BPNN模型机器学习方法应用于电化学水处理过程的预测与优化方面的优势。最后,考虑到BPNN模型预测性能优劣及以此为基础的智能控制策略是否行之有效,是实际应用中备受关注的问题之一。本文综合考虑模型参数和工艺因素对预测性能及智能控制策略效果,提出一种构建BPNN模型性能评价体系的方法。研究结果显示,通过归一方法处理数据,加强评价的可靠性,对论文中所构建的BPNN模型和智能控制策略进行评价,在随机选择的预测条件下,本文中用于预测去除氨氮的BPNN模型在预测性能上略优于用于预测去除甲基橙的模型,性能数值（P）分别是0.919和0.917。在单因素与多因素智能控制策略的对比中,多因素智能调控策略P值（0.911）明显高于单因素智能调控策略（0.792）,其结果符合规律。评价系统的建立可以有效筛选可行策略,也为BPNN模型进一步优化提供方向。

关键词： 心血管疾病   机器学习   逻辑回归模型   CatBoost模型   决策树模型  

摘要： 心血管疾病是一种致残率和死亡率极高的慢性疾病,近年来,对我国公共医疗卫生事业的发展造成了阻碍。现如今多数研究注重疾病的治疗,而忽略了疾病预防方面的工作。如果能进行较为有效的心血管疾病的预测,就可以在一定程度上保障居民的身体健康。随着大数据分析的快速发展,机器学习方法在处理复杂数据时可以得到较高的准确率,因此本文在机器学习的基础上进行心血管疾病的预测研究,从年龄、性别、收缩压、舒张压、身高、体重、是否吸烟、是否经常锻炼、是否饮酒、胆固醇、血糖这11种影响心血管疾病的因素入手,对是否得心血管疾病进行详尽的描述性统计分析,从而分析影响该疾病的最主要因素,通过建立模型对心血管疾病进行深入的统计分析,并对心血管疾病进行预测。本文运用的是逻辑回归模型、决策树模型以及一种新型的boosting算法―Cat Boost模型,最后对各个模型的准确率及预测效果进行评价,从而得出Cat Boost模型是最适合本文数据的模型。此分析结果对心血管疾病预测领域的研究有一定的参考性,也为其他疾病预测的完善与发展打下了一定的基础。

关键词： 轴承   齿轮   有限元仿真   生成式对抗网络   迁移学习   机械故障诊断  

摘要： 机械系统的轴承、齿轮等关键零部件长期在恶劣的工作环境中运行,不可避免地会出现各种故障,影响运行设备的性能,严重时会导致零部件乃至整机完全失效,造成灾难性后果。因此,尽早诊断出机械系统中的关键零部件故障对于保证设备的正常与安全运行具有重要意义。近年来,众多人工智能(Artificial intelligent,AI)模型如雨后春笋般涌现,智能故障诊断日益成为机械故障诊断领域的主流方向之一。然而,以下因素严重制约了智能故障诊断走向工程应用:故障样本类型不够完备、数据标签不够充足、数据分布存在差异、实际工况多样等。为解决以上问题,本研究提出一种数值仿真驱动的迁移学习方法,并将其应用于机械故障诊断中,有望推动智能故障诊断走向工程应用。具体工作内容如下: 1.针对实际工程应用中故障样本类型不完备以及不同工况下数据分布存在差异的问题,提出了一种基于有限元仿真的深度卷积迁移学习故障诊断方法来检测不同工况下的轴承故障。该方法通过有限元仿真解决了轴承故障样本类型缺失的问题,并基于生成式对抗网络扩充仿真故障样本。应用深度卷积迁移学习网络来减少不同工况下样本之间的域偏移,提高模型的泛化能力。此外,基于Dempster-Shafer证据理论对决策级信息进行融合,以获得更高的诊断精度。利用开源的轴承数据集对所提出的方法进行了验证,实验结果证明了该方法的优越性能。 2.针对没有先验知识的条件下,数据标注困难的情况,提出了一种基于数值仿真驱动的部分迁移学习的智能故障诊断方法。该方法通过有限元仿真获取不同故障类型的仿真故障样本并利用生成式对抗网络对其进行扩容,将两者结合作为完整源域训练样本。最后,将更贴合工程实际的部分迁移学习网络应用于构建的完整源域训练样本,进一步对从现实世界运行机械系统轴承、齿轮等关键零部件中收集的未知样本进行分类,平均分类精度分别达到99.54%和99.64%。 3.针对仿真信号与实测信号存在差异的问题,提出了一种基于域自适应的机械故障诊断方法来弥合仿真和实测信号之间的差距。本方法利用基于对抗的域自适应网络对原始仿真故障样本进行调整,通过细化器和域鉴别器的对抗训练,使得调整好的仿真信号与实测信号的余弦相似度提高。最后,将调整好的仿真故障样本作为训练样本送入卷积神经网络,实现了实测轴承、齿轮故障样本的准确故障分类。利用滚动轴承和齿轮试验台获得的数据,探讨了该方法的可行性,分类准确率分别达到99.44%和99.58%。 通过以上研究,提出了数值仿真驱动的机械故障诊断迁移学习方法,在三种具体诊断方法方面有所创新,获得具有一定学术意义和实用价值的研究成果,为推动智能故障诊断走向工程应用提供新思路。

关键词： 高分辨率遥感影像   道路提取   深度学习模型   多任务   大范围   跨区域  

摘要： 近年来,随着IKONOS、Quick Bird、Worldview、GJ-1、GF-7等一系列国内外高分辨率遥感卫星的成功发射,使得我们可以获取海量的高分辨率遥感影像资源。高分辨率遥感影像具有空间信息丰富,获取技术成熟,影像分辨率高,覆盖范围广等优势,已经成为道路提取的主要数据来源。面对海量遥感数据,目前最为广泛使用的是基于深度学习的方法,深度学习的出现使得自学习特征成为现实,开启了数据驱动的“表示学习”范式,避免了传统方法依赖于专家知识设计特征,自动化程度低,人工干预大的问题。然而深度学习方法依赖于海量数据来训练模型,而高分辨率遥感影像空间分辨率高,影像信息高度细节化,会给道路识别带来很多干扰。例如:1)高分辨率遥感影像上道路提取面临三个典型任务,道路面分割,中心线提取和边界探测,目前深度学习方法未能有效实现三个任务的统一表达;2)复杂的高分辨率遥感影像上建筑物,树木等其它地物会给道路带来遮挡、阴影等干扰,造成道路识别结果不连续;3)在大范围道路提取应用时,由于不同地区影像数据分布差异大,深度学习模型的泛化能力十分有限,导致模型输出结果中存在严重的道路缺失现象。因此,论文针对深度学习模型在高分辨率遥感影像道路提取中存在的问题,基于深度学习强大的自学习能力和特征表达能力,从道路提取任务中所面临的多任务表达,道路不连续,跨区域大范围道路提取时道路缺失严重三个问题出发,开展面向高分辨率遥感影像大范围道路提取的深度学习方法研究,主要研究内容与创新之处包括:(1)全面分析了高分辨率遥感影像的特点以及道路提取所面临的实际应用挑战,总结了当前国内外高分辨率遥感影像道路提取方法,以及存在的问题,并介绍了深度学习模型的基本理论方法,详细分析深度卷积神经网络在高分辨率遥感影像道路提取中的应用。(2)在道路提取多任务缺乏统一表达方面,针对道路提取多个任务缺乏统一提取框架问题,论文基于道路面,道路中心线和道路边界的共生关系,建立三个任务之间的关联,提出了一个级联的道路多任务一体化提取框架。在该框架中,道路面分割网络为主干网络,中心线提取网络和边界探测网络在结合道路面分割结果的基础上分别结合多层次的低层特征进行学习。同时,针对高分辨率遥感影像上存在很多干扰,造成道路识别困难,该框架采用上下文感知模块来捕获长距离的空间上下文信息,从而提升道路的拓扑连通性,在模型优化方面,采用困难样本挖掘损失提升模型对于困难道路样本的识别能力。该框架不仅可以同时完成道路面分割,中心线提取和边界探测三个任务,也可以使得三个任务相互约束相互增益。(3)在遮挡,阴影等导致道路不连续方面,针对深度学习模型卷积运算的感受野有限,导致存在局部干扰时道路识别结果不连续的问题,论文提出了融合多尺度残差学习的全局感知高分辨率遥感影像道路提取方法,从两个方面来增大模型捕捉长距离依赖关系的能力,一方面在残差模块内,使用多尺度残差学习,提取多尺度特征的同时增大网络感受野,另一方面基于残差块内所学习到的丰富特征,在残差模块之间,采用全局感知操作从空间和通道两个维度来捕获长距离依赖关系,两个模块相互增益,可以显著改善道路识别结果不连续的问题。(4)在跨区域大范围道路提取时道路缺失严重方面,针对不同地区影像数据分布差异较大,导致道路提取模型性能急剧下降,道路缺失严重问题。论文基于对抗学习的思想进行域适应,提出了一个全局-局部对抗学习的跨域道路提取框架,来增强深度学习模型的泛化能力,一方面在特征输出层采用对抗学习,通过混淆域判别器使其无法识别特征来自源域还是目标域,来引导生成器生成域不变特征;另一方面在对抗学习中,根据每一个像素的识别难易程度,自适应地调整对抗损失,从而自动减慢或加速对抗学习的过程,调节对于不同难度样本的对齐力度。同时针对开源地图OSM数据向所有人提供道路矢量线数据,可以作为每个地区重要的道路先验知识,提出一种开源数据驱动下的特定域表达框架,一方面构建域特定的表达模型,对齐不同域空间结构特征的同时,学习域特定的纹理信息,另一方面利用开源的OSM道路线数据生成目标域样本,提升模型对于目标域道路的识别能力。(5)构建基于深度学习的高分辨率遥感影像道路提取原型系统。利用开源数据构建全球道路数据集,并结合从多个应用需求出发提出的基于深度学习的高分辨率遥感影像道路提取方法,构建满足不同应用需求的高分辨率遥感影像道路提取系统,扩展所提方法在大范围影像上的应用。本文面向高分辨率遥感影像道路提取,从道路提取任务中所面临的多任务缺乏统一表达,遮挡,阴影等导致道路不连续,跨区域大范围道路提取时道路缺失严重三个问题出发,开展面向高分辨率遥感影像大范围道路提取的深度学习方法研究,能够显著增强从高分辨遥感影像上进行道路识别的效果,进一步推动了高分辨率遥感影像道路提取在实际中的应用,这对于维持城市功能和社会经济的