当前位置：文档库 › 基于形状熵差的相似多目标检测方法

基于形状熵差的相似多目标检测方法

国防科技大学学报

第32卷第3期J OUR NAL OF NA TIONA L UNIVERSI TY OF DEFENS E TEC HNO LO GY Vo l.32No.32010文章编号:1001-2486(2010)03-0011-05

基于形状熵差的相似多目标检测方法X

王鲲鹏,张小虎,朱肇昆,于起峰

(国防科技大学航天与材料工程学院,湖南长沙410073)

摘要:为实现靶场多目标图像的目标自动检测,利用多目标形状的相似性,提出一种基于形状熵差的目标检测新方法。提出了形状熵差的概念,将目标形状模型引入局部熵计算中,由局部内熵与局部外熵之差的极值点确定目标位置。基于此设计并实现了一种新的目标自动检测方法。通过实验证明了算法的有效性和鲁棒性。相比较于常见的一些目标检测算法,该方法具有更好的抗干扰能力和环境光照变化适应能力,可以应用于靶场多目标图像的目标检测,也可应用于其他类似的目标检测问题。

关键词:靶场图像;光学测量;目标检测;多目标;熵

中图分类号:TP39461文献标识码:A

A New Method for Similar Multi2target Detection Based on

Shape Entropy Difference

WA NG Kun2peng,Z HA NG Xiao2hu,Z HU Zhao2kun,Y U Qi2feng

(C ollege of Aeros pace and Material Engi neering,National Univ.of Defence Technology,Changsha410073,C hina)

Abstr act:In order to realize auto target detection of multi2target image of shoo ting ranges,the si milari ty o f targets.shape was utilized,and a new method for auto similar target detection based on shape entropy difference was proposed.Fi rst,the concept o f shape entropy di fference w as presented,which merged shape informatio n into the calculatio n o f entropy,and the target w as detected by searching fo r the ex treme point of entropy difference.Then,an auto target detection method based on shape en tro py difference was realized.Finally,the validity and ro bus tness of the alg orithm was approved by https://www.wendangku.net/doc/575504335.html,pared w ith the co mmon algo rith ms of target detectio n,the metho d propo sed here has better tolerance capabili ty against noise and illumination variety.The method can be used fo r target detectio n of image of shoo ting rang es and other similar applications.

Key wor ds:image of shooting ranges;op tical measurement;target detectio n;multi2targ et;en tro py

在靶场的常规武器试验和非常规武器发射试验测试中,利用高速摄像(影)机、经纬仪等光学设备进行飞行目标的测量是一种常用的测量手段[1],为武器的性能测试和评价定型提供了有力保证。高可靠性的目标自动检测技术尤其是多目标自动检测技术作为靶场光学测量的关键技术之一正日益引起人们的关注[2]。

目前,常用的目标检测方法主要包括:差分图像法、基于统计模型的方法、基于小波的方法、基于形态学的方法等[3-5]。当图像质量较好时,这些方法都能在其适用范围内取得较好效果,但实际靶场图像受天气、成像传感器类型、目标自身形态变化等因素影响,成像效果往往不尽如人意。图像中常包含较多干扰物体,如经纬仪拍摄的图像常包含有十字丝、跟踪波门等干扰线;胶片图像的成像质量还与洗片过程密切相关,包含更多的杂质干扰物体,成像效果往往更差[6]。常规的运动目标检测算法受噪声和这些干扰物体影响较大,常会出现误检和漏检现象。此时,目标检测只能由判读员人工点取完成,效率较低且精度难以保证。

利用小目标的存在将引起图像熵值产生较大变化这一特性,局部熵常被用于小目标检测[7-8],该类算法能够较好地反映局部区域信息量的丰富程度,适于检测团状小目标,但普遍存在方向性检测性较

X收稿日期:2009-12-11

基金项目:国家自然科学基金资助项目(171085)

作者简介:王鲲鹏(1981)),男,博士生。

差、目标范围扩散、背景边缘纹理干扰严重等问题。

本文根据靶场图像中多目标运动速度方向和形状较为一致的特点,提出了一种新的相似目标检测算子-形状熵差(Shape Entropy Dif ference,SED),并设计了基于该算子的目标检测方案。首先由单幅目标图像提取目标形状模型参数及形状熵差结构算子,然后计算待检测图像区域的结构熵差值,并由此确定目标位置。实验证明该方法具有较好的抗噪能力和定位性能,对图像中其他干扰物体不敏感,能够用于其它类似情况的目标检测问题。

1 形状熵差的定义

根据香农信息论,一幅大小为M @N 的图像的熵值定义为:

H =-E M i =1E N

j =1p ij log a p ij p ij =f (i ,j )P E M i =1E N j =1f (i ,j )(1)

式中:f (i ,j )为图像中点(i ,j )处灰度,H 为该图像的熵,p 为点(i ,j )处灰度分布概率。若将M @N 视为图像中以(i ,j )为中心的一个局部邻域,则H 称为图像的局部熵。a 决定熵的单位,下文中,如无特别声明,均取a =2,简记log a x =log x 。

局部熵反映了图像灰度分布的离散程度,在局部熵值大的地方,图像灰度分布相对较均匀;局部熵小的地方,图像灰度分布离散性较大,所以可以根据图像的局部熵检测目标。当图像背景纹理较为平稳时,背景区域局部熵分布较均匀且熵值较大,对于目标区域,灰度起伏大,熵值较小,最小熵位置即为目标所在位置。但对实际靶场图像而言,如图1(a)所示,成像噪声较大,同时包含较多干扰因素,图中圆圈内的两个目标为真实目标,而其余方框内的物体为干扰物,仅采用局部熵的检测方法易受这些干扰物体。图1(b)为检测图像区域局部熵响应值三维分布,从图中可以看出,除弹体目标所在位置出现局部极值外,飞机和十字丝等多处位置也存在较大的局部极值,其值甚至大于目标位置处的响应值,仅利用

该响应值进行目标检测很容易出现误检现象。

图1 响应值分布对比

Fig.1 Co mparison of respo nse v alue of entropy and SED

目标距离拍摄站点较远,图像上目标灰度与背景灰度均较为一致,但两者灰度值存在一定差距,基于此提出形状熵差的概念,将目标形状模型融入局部熵的检测方法中,提高目标检测能力,其定义如(2)式:

D =abs(H in -H ou t ), H in =

E (i ,j )I T in p ij log p ij , H o ut =E (i ,j )I T out

p ij log p ij (2)其中H in ,H o ut 定义为形状内熵与形状外熵,分别表示目标内部区域的局部熵值与目标所在区域的局部熵值,T in 为描述目标形状的结构元素,T o ut 为描述目标所在区域的结构元素,同时包含了目标区域和部分背景区域,结构元素值均由目标的具体形状参数确定。下文中针对典型的弹体目标进行论述,其它形状的目标处理方法与此类似。由于弹体目标的形状比较简单,其形状模型可由弹体的长度L 、宽度W

H :

(i ,j (i ,j )-line(H )[W i [L ,j [L ;i ,j I N (3)12 国防科技大学学报 2010年第3期

T in 表示在弹体长度L 确定的区域内,以弹体面内倾角确定的直线line 为中轴线,距中轴线距离小于1P 2弹体宽度W 的结构元素赋值1,其余为0。T ou t 与T in 类似,仅是判断距离阈值为弹体宽度W 。T in 描述了弹体区域的形状,T o ut 同时包含弹体与背景的区域,且弹体区域与背景区域面积相同。图2表示了一些典型的弹体目标形状结构元素。目标长度L 均为40像素,宽度W 均为5像素,图中白色区域表示该位置的结构元素值为1,黑色区域处的结构元素值为0,结构元素的尺寸与弹体倾角有关,为统一显示效果,将图2中所有结构元素图像缩放至同一尺寸。其他类型目标的结构元素T in 与T ou t 可仿此方法

进行设计。

图2 典型弹体目标结构元素图

Fig.2 Structure elements of shot

在目标中心位置,由于目标内部灰度分布较均匀,利用结构元素T in 计算目标内部像素的局部熵H in 具有局部极大值,而结构元素T out 同时包含背景与目标,且两部分面积相同,则可以证明局部熵H o ut 应具有局部最小值,因此形状熵差D 具有局部极大值。对于背景区域而言,其H in 与H ou t 值相差不大,形状熵差值接近0。图像中其他干扰物体由于其形状与目标区别较大,H in 与H o ut 值相差不明显,形状熵差值也较小。此外从熵的定义可知,在目标边缘附近也存在形状熵差的局部极值,但该区域的极值分布情况与目标内部极值分布一致,通过较大尺度的数据滤波可以将这些响应值进一步突出,目标的中心点将出现明显极值点。

图3 算法流程图Fig.3 Flo wchart o f algo rithm 从(2)式可知形状熵差值仅利用目标的形状信息而与目标和背景的灰度值无关,因此较之于直接利用目标灰度进行互相关[4]

检测等方法,采用形状熵差的算法具备更强的抗环境光照变化能力。图1(c)为图1(a)的形状熵差响应值分布,从图中可以看出,两个真实目标处存在明显极值点,十字丝和飞机等目标的影响被明显削弱,可以很容易地从该响应值分布中准确检测出目标。2 算法描述

基于形状熵差的目标检测算法流程可由图3表示,

算法主要包括目标形状模型参数提取及利用形状熵差

响应值检测目标两部分,具体细节将在下文中予以介

绍。

211 提取目标形状模型参数

对于靶场多目标图像而言,图像中目标在形状上具

有相似性,如多管炮、子母弹等试验中,弹体的几何形状

及运动方向基本一致,使得我们可以仅通过少量目标样

本的特征学习,就能得到目标的形状模型参数。实际判

读时,可预先读入一幅目标图像直接提取目标形状模型

参数,提取过程可以采用两种方式:1手工标记方式,当13

王鲲鹏,等:基于形状熵差的相似多目标检测方法

目标区域图像质量较差时直接由判读员在图像中选取目标轮廓,并由此确定目标长度、宽度和面内倾角等形状模型参数。o自动提取方式,直接采用常见的二值化算法与形态学滤波算法确定目标区域,并通过区域标记自动提取计算目标形状参数。图4为上述两种情况的目标形状参数提取结果,图4(b)为采用手工标记方法确定图4(a)中目标形状的结果,红色矩形区域的长、宽、倾角等参数对应了目标的形状模型参数;图4(d)为采用自动提取方式确定图4(c)中目标形状的结果,红色方框描述了目标的外接矩形,并可由此进一步确定目标形状模型参数。

利用(3)式,可由目标形状模型参数确定形状熵差的结构元素T in 与T o ut ,同时为实现后续检测过程中的目标确认步骤,需要计算目标位置处的形状熵差参考响应值D ref

。

图4 目标形状参数学习结果

Fig.4 Results of learning for target p s shape

212 利用形状熵差响应值检测目标

利用第1节中形状熵差的概念,计算待检测图像区域的形状熵差响应值分布,目标中心点将位于形状熵差局部极大值处,为减少其他较小局部极值点的干扰,同时提高计算效率,可对待检测图像区域的形状熵差值进行低峰值抑制处理,剔除响应值较小的像素位置,因真实目标处的结构熵差响应值较大,低峰值抑制处理将不影响目标点的检测结果,抑制算法可简单表示为:

I c (x ,y )=I (x ,y )I (x ,y )\Th 0I (x ,

y )

(4)其中阈值Th 可由经典的QS TU [9]方法确定,图5为低峰值抑制处理前后的结构熵差响应值图像对比,图

中像素点灰度值越大表示该位置的形状熵差响应值越大,图5(b)表明,经抑制处理后,响应值图像中目标所在位置与其它位置响应值的对比度加大,目标更加突出,更有利于目标的检测。

图5 形状熵差检测结果

Fig.5 Results o f detectio n with SED

在此基础上利用局部极值算法[10]寻找响应值分布局部极值点,为排除其他局部极值点的干扰,可采用如下方法进行目标确认,如(5)式所示,即目标点处的响应值与全图响应极大值max(D (x ,y ))接近,且与参考响应值D ref 的差值较小,式中的0185与0115为经验值,具体应用时可作相应调整。由此确定最终目标检测结果,如图5(c)中十字丝所表示。

(x ,y )I Target|D(x ,y )>0185@max(D (x ,y )&D (x ,y )-D ref <0115@D ref )(5)

14 国防科技大学学报 2010年第3期

3 实验结果

表1 仿真图检测结果Tab.1Detection result of si mulated images H (b )x y $x $y 09915799152014301481599169991610131013930991859914001150160459917699189012401116099123991470177015375100118991810118011990991989918201020118

针对本文算法设计如下实验,分别采用仿真图像与

实际图像进行目标检测实验,并在实际图像上将本文算

法检测结果与其它常用目标检测算法结果进行比较。

311 仿真图检测精度实验

为验证算法的目标检测精度,制作仿真序列图像,目

标中心均位于(100,100)像素处,目标宽度为10像素,长

度为30像素,面内倾角以15b 为间隔从0b 递增到90b ,对

各幅图像添加方差为5%的椒盐噪声。用仿真条件生成

相应的结构元素进行目标检测,检测结果如表1所示,坐

标单位均为像素,均方差计算结果为:D x =0124像素,D y

=0119像素,满足亚像素定位精度要求。

312 实际图像检测结果比对

分别采用形状熵差、局部熵、差图像及形态学Topha t 等目标算法对同一幅图进行目标检测,检测结果如图6所示,白色小圆圈标示了目标所在位置。从图中可以看出,针对该类干扰较多的图像,本文算

法检测结果明显优于其他三种检测方法。图6 检测结果比较

Fig.6 Co mparison of detection results

4 结论

本文提出了一种基于形状熵差的相似多目标检测算法,相比于传统的一些目标检测算法,形状熵差算子充分利用了目标内外部灰度分布特点和目标的形状特征,对环境光照变化不敏感,具有较强的鲁棒性,适合于靶场多目标图像目标自动检测及其他类似应用领域的目标自动检测问题。目前,算法计算所需的结构元素与目标形状的方向有关,为适应目标形状方向发生变化的情况,下一步可考虑选用一组多方向的结构元素同时进行检测,或利用目标区域主方向旋转达到旋转不变的效果。此外可选用其他描述区域纹理复杂性的算子(如方差)替换局部熵算子,进一步提高检测效率与适应能力。

参考文献:

[1] 何照才,胡保安.光学测量系统[M].北京:国防工业出版社,2002.

[2] 张小虎.靶场图像运动目标检测与跟踪定位技术研究[D].国防科技大学,2006.

[3] Yaser Shei kh.B ayesian Modeli ng of Dynam ic Scenes for Object Detection [J].IEEE Trans actions on Pattern Analysis and Machi ne Intelligence,

2005,27(11):1778-1792.

[4] 于起峰,尚洋.摄像测量学原理与应用研究[M].北京:科学出版社,2009.

[5] 林洪文,姚作操,涂丹,等.基于减背景技术的运动目标检测方法研究[J].国防科技大学学报,2003,25(3):66-69.

[6] 王颖,张小虎.视频图像记录判读系统[J].光学技术,2003,29(2):232-234.

[7] 张永亮,汪洋,卢焕章.基于图像灰度熵的团块目标检测方法[J].系统工程与电子技术,2008,30(2):201-204.

[8] 王广君,田金文,柳健.基于局部熵的红外图像小目标检测[J].红外与激光工程,2000,29(4):26-29.

[9] 章毓晋.图像分割[M].北京:科学出版社,2001.

[10] 赵清杰,钱芳,蔡利栋译.计算机视觉[M].北京:机械工业出版社,2005.15

王鲲鹏,等:基于形状熵差的相似多目标检测方法

规划申报方案内容和深度要求

规划申报方案内容和深度要求申报方案主要包括规划说明书，现状图，总平面规划图，道路交通及竖向规划图，地下建筑平、剖面图，日照分析报告，根据项目的位置和重要程度可增加透视图，模型或动画。 1、说明书：说明项目背景和基地及其周边的现状情况，包括土地权属情况，历史遗存和灾害影响等情况；分析研究相关规划控制要求以及项目存在的问题，明确规划方案的主导思想和设计目标；阐述规划方案的总体构思和规划布局。附表：“规划用地平衡表”“主要技术经济指标表”“停车场（库）统计表”“公共配套设施统计表”“绿地明细表” 以及“建筑信息表”。 2、现状图：在现状地形图上标明规划用地范围界限，建设用地产权界限，城市道路红线，宽度及名称，现状建筑的用途、层数等。 3、总平面规划图：要求普通纸质彩图。在现状地形图（图纸上淡化地形地物线条，删除不必要的地形信息）上标明建筑、绿地、道路、广场、停车场等的平面布局；表明各类建筑的平面轮廓、建筑信息、建筑标高；标注建筑间距、尺寸，建筑退让各类控制线、组团级以上道路及地界的距离；标明规划用地范围、绿地边界范围；标明道路红线、交叉口控制范围、河道、绿地、高压线走廊、文物古迹保护范围等规划控制线；标明地面停车场范围及车位布置方式，地下停车库等地下空间的范围、层数以及出入口等。附“规划用地平衡表”“主要技术经济指标表”“停车场（库）统计表”“公共配套设施统计表”“绿地明细表”。 4、道路交通及竖向规划图：图纸复杂时，该图可分为道路交通分析图和竖向设计图。标明规划地块的人流、车流主要出入口，标注出入口距城市道路交叉口距离；标明各类交通设施的用地范围及平面形式，各级道路的宽度；标明人流，车流交通流线；标明道路等级结构；标明周边城市道路主要控制点高程，标明规划道路中线交叉点和主要变坡点和平曲线拐点的控制高程；标明台阶、挡土墙的位置和控制高程 5、地下建筑平、剖面图：标明地下建筑外轮廓线、基础轮廓线，地下建筑分类用途及各类建筑面积；地下停车车位数量、交通流线；标注覆土深度、建筑底板标高、顶板标高。 6、日照分析报告：需采用正版经认证的软件编制。应详细标明项目概况、日照分析的基础参数及日照标准、日照分析所依据的资料，标明现状、规划或模拟建筑的性质、建筑层数、高度、标高、采样点情况，标明建设前后的比较分析结果、公共绿地的日照遮挡情况、详细的日照分析结论等。报告同时应附日照分析范围图和日照分析图。 7、透视图、模型或动画：视项目所处位置和重要程度的不同，可制作能够表达规划范围内及周边建筑和空间关系的透视图、模型或动画。需要市建委主任规划专题会议和市政府城建专题会议审查的项目，必须制作透视图。规划报批成果内容和深度要求 1、现状图：内容同报审方案 2、总平面规划图：内容基本同报审方案，不在标注建筑间距、尺寸、退

目标检测方法简要综述

龙源期刊网 https://www.wendangku.net/doc/575504335.html, 目标检测方法简要综述作者：栗佩康袁芳芳李航涛来源：《科技风》2020年第18期摘要：目标检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目标检测算法相比，基于深度学习的目标检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目标检测算法的发展历程。关键词：目标检测;机器学习;深度神经网络目标检测的目的可分为检测图像中感兴趣目标的位置和对感兴趣目标进行分类。目标检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目标检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。传统的目标检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目标检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目标分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目标物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目标检测算法。 1 基于候选区域的两阶段目标检测方法率先将深度学习引入目标检测的是Girshick[1]于2014年提出的区域卷积神经网络目标检测模型（R-CNN）。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS 回归目标位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取共享，重复计算;选择性搜索算法仍有冗余，耗费时间等。基于R-CNN只能接受固定尺寸图像输入和无卷积特征共享，He[2]于2014年参考金字塔匹配理论在CNN中加入SPP-Net结构。该结构复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一

基于层次全局模糊熵的滚动轴承故障诊断方法与相关技术

图片简介: 本技术涉及一种基于层次全局模糊熵的滚动轴承故障诊断方法，采集滚动轴承的振动信号；对采集到的振动信号进行层次分解，计算第四个分解尺度上八个节点信号的全局模糊熵；将八个层次全局模糊熵作为滚动轴承故障特征向量；将得到的故障特征向量分为训练集和测试集；利用训练集训练支持向量机获得预测模型，利用预测模型对测试集进行预测；根据预测结果完成滚动轴承故障严重程度和故障类型的识别。本技术针对原始模糊熵算法和多尺度分析的局限，引入全局模糊熵和层次分解提取轴承故障特征。通过结合层次分解和全局模糊熵的优点，本技术提出的层次全局模糊熵能够从轴承振动信号中提取更加丰富的故障信息，在滚动轴承故障识别中有更好的分类性能。技术要求 1.一种基于层次全局模糊熵的滚动轴承故障诊断方法，其特征在于：包括如下步骤： 1)、测量滚动轴承的振动信号； 2)、计算滚动轴承振动信号的层次全局模糊熵： 3)、选取层次分解第四个尺度上八个节点信号的全局模糊熵作为滚动轴承故障特征向量； 4)、将得到的层次全局模糊熵特征分为训练和测试两类样本； 5)、利用训练样本对支持向量机进行训练得到预测模型； 6)、利用得到的预测模型对测试样本进行预测； 7)、根据预测结果识别滚动轴承的故障严重程度与故障类型。 2.如权利要求1所述的一种基于层次全局模糊熵的滚动轴承故障诊断方法，其特征在于：步骤2)计算滚动轴承振动信号的层次全局模糊熵的步骤如下： 2.1)对于一个N点时间序列{u(i):1≤i≤N}，原始模糊熵构建的m维向量为为了克服模糊熵主要强调信号局部特征这一局限，全局模糊熵在构建m维向量时去掉局部均值u0(i)，改为 2.2)针对多尺度分析只考虑信号低频成分的缺陷，对测量得到的轴承振动信号进行层次分解，层次分解的优点在于同时考虑了信号的低频成分和高频成分；把层次分解与全局模糊熵相结合，计算层次分解第四个尺度上节点信号的全局模糊熵，即为本技术提出的新的全局模糊熵算法。技术说明书一种基于层次全局模糊熵的滚动轴承故障诊断方法技术领域

分区规划编制内容深度规定

分区规划编制内容深度规定一、规划原则分区规划旨在为总体规划的进一步深化提供更为具体可行的指导依据，将总体规划与各专业规划要求层层分解，提出规划控制要求，在总规与控规之间架起一座桥梁，承上启下，以确保规划的一脉相承。制定分区规划应坚持的原则： 1、全范围覆盖，淡化城市与农村、城市建设用地与村镇建设用地界线，将建设用地与非建设用地同等对待。 2、"三图合一"：将土地利用规划、村镇建设规划、城市总体规划的主要控制原则统一考虑，在都市区内实现三图合一、统一管理的目的。 3、远近结合：在分析各片区现状的基础上，针对各片区的发展目标(功能定位)，提出近期的规划发展策及远期的重点建设控制。 4、引导与控制相结合：规划中既有引导性条款，也有控制性指标，将宏观引导与微观控制相结合，确保规划所应有的刚性和适当的弹性。二、分区规划的主要内容分区规划应按城市规划编制办法及其他国家有关规范标准规定编制，成果表现突出和增加以下内容： 1、分区人口、建设用地规模； 2、分区功能定位及用地功能布局； 3、发展中要重点解决的问题； 4、用地开发强度等级：将各片区用地按开发强度分为七级：建设容量控制一览表级别控制强度 Ⅰ建筑密度35%-45% 绿地率25%-30% 平均容积率3-8 Ⅱ建筑密度25%-35% 绿地率30%-35% 平均容积率1-3 Ⅲ建筑密度15%-25% 绿地率35%-45% 平均容积率0.5-1.0 Ⅳ绿地率>45% 建设用地比例40%-50% 平均容积率小于0.5 Ⅴ绿地率45%-80% 建设用地比例10%-40% Ⅵ绿地率80%-90% 建设用地比例5%-10% Ⅶ绿地率>95% 建设用地比例<5% 结合各片区用地现状及建设条件综合评价，划分各级用地规划范围，提出相应控制要求。5、确定用地性质(按用地分类标准至中级)，通过五条控制线，严格控制五种用地：红线──次干路以上道路的红线宽度；绿线──区级以上公园绿地及8米以上绿化带用地范围；黄线──重大市政设施用地范围；紫线──历史文化名城保护要素：绝对保护区、景观保护区、建设协调区等；蓝线──大型水体保护范围。 6、城市设计及景观控制导引：明确重点景观轴线、视线走廊、背景山体、高层建筑引导区及控制区、限制区等。 7、重大项目规划及近期建设项目安排：片区内重大项目规划及近期必须尽快实施的建设项目。 8、下阶段规划控制单元的划定：按照城市用地功能、地块完整性，划定控制性详细规划的基本控制单元。

目标检测综述

一、传统目标检测方法如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。（实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域） (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。（这个阶段常用的特征有SIFT、HOG等） (3) 分类器主要有SVM, Adaboost等。总结：传统目标检测存在的两个主要问题：一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。二、基于Region Proposal的深度学习目标检测算法对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region

proposal（候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal算法有selective Search和edge Boxes，如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC）上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分类任务的Top-5 error降低到了15.3%，而使用传统方法的第二名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多，这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。 2014年，RBG（Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。 1. R-CNN (CVPR2014, TPAMI2015) (Region-based Convolution Networks for Accurate Object d etection and Segmentation)

《城市总体规划》主要专项规划内容及深度要求内容

《城市总体规划》主要专项规划容及深度要求

目录《城市给水工程专项规划》.......................................................................... .. (3) 《城市排水工程专项规划》.......................................................................... .. (5) 《城市电力工程专项规划》.......................................................................... .. (7) 《城市电信工程专项规划》.......................................................................... .. (9) 《城市燃气专项规划》.......................................................................... .. (11) 《城市消防专项规划》.......................................................................... .. (13)

《城市应急避难场所专项规划》.......................................................................... . (16) 《城市给水工程专项规划》容及要求《城市给水工程专项规划》成果包括规划文本、图纸和附件（说明书、基础资料汇编等）。一、规划文本 (一) 总则容包括编制规划的目的、规划依据、规划指导思想与原则、规划期限与规划围等。 (二) 规划目标与规划建设标准。容包括规划供水规模、人均用水量标准、消防水量标准、用水最大时管网水压标准和进行消防校核时水压标准，水质执行标准等。 (三) 水源规划。简述水源供需平衡方案及各水源地建设规模，水源供水保证率等，根据水量平衡方案和各类水源类型提出水源配置原则，提出水源地保护围及重点保护措施。 (四) 给水工程规划。

基于小波多尺度统计特征的图像分类解读

基于小波多尺度统计特征的图像分类基于小波多尺度统计特征的图像分类报告人:翟俊海 1. 小波变换 2. 图像分类问题现状 3. 小波多尺度统计特征抽取及图像分类 4. 实验比较 5. 下一步工作 6. 参考文献报告内容 1. 小波变换小波变换是强有力的时频分析(处理)工具,是在克服傅立叶变换缺点的基础上发展而来的.已成功应用于很多领域,如信号处理,图像处理,模式识别等. 小波变换的一个重要性质是它在时域和频域均具有很好的局部化特征,它能够提供目标信号各个频率子段的频率信息.这种信息对于信号分类是非常有用的. 小波变换一个信号为一个小波级数,这样一个信号可由小波系数来刻画. 1.1 一维小波变换(一维多尺度分析) 设有L2(R )空间的子空间序列: Vj 的正交基函数是由一个称为尺度函数的函数 (x)经伸缩平移得到的设Wj 是Vj 相对于Vj+1的正交补空间, Wj 的正交基函数是由一个称为小波函数的函数 (x)经伸缩平移得到的小波函数必须满足以下两个条件的函数: 小波必须是振荡的; 小波的振幅只能在一个很短的一段区间上非零,即是局部化的.如: 图1 小波例1 图2 小波例2 不是小波的例图4 图3 构成Vj+1的正交基. 满足下列关系式(二尺度方程): 信号的多尺度分解: 1.2 二维小波变换(二维多尺度分析) 二维小波变换是由一维小波变换扩展而来的,二维尺度函数和二维小波函数可由一维尺度函数和小波函数张量积得到,即: 图像的二维小波变换包括沿行向(水平方向)和列向(垂直方向)滤波和2-下采样,如图所示: 图5 图像滤波采样说明:如图所示,首先对原图像I(x,y)沿行向(水平方向)进行滤波和2-下采样,得到系数矩阵IL(x,y)和IH(x,y),然后再对IL(x,y)和IH(x,y)分别沿列向(垂直方向)滤波和2-下采样,最后得到一层小波分解的4个子图: ILL (x,y)—I(x,y)的(粗)逼近子图 IHL(x,y) — I(x,y)的水平方向细节子图

控制性详细规划图纸成果及深度要求

控制性详细规划图纸成果及深度要求（一）规划用地位置图（区位图）（比例不限）标明规划用地在城市中的地理位置，与周边主要功能区的关系，以及规划用地周边重要的道路交通设施、线路及地区可达性状况。（二）规划用地现状图（1：2000）标明土地利用现状、建筑物状况、人口分布状况、巩固屋舍实现转、市政公用设施现状。 1．土地利用现状包括标明规划区域内各类现状用地的范围界限、权属、性质等，用地分至小类。 2．人口现状指标明规划区域内各行政辖区边界人口数量、密度、分布及构成情况等。 3．建筑物现状包括标明规划区域内各类现状建筑的分布、性质、质量、高度等。 4．公共服务设施、市政用地设施现状标明规划区内及对规划区域有重大影响的周边地区现有公共服务设施（包括行政办公、商业金融、科学教育、体育卫生、文化娱乐等建筑）类型、位置、登记、规模等，道路交通网络、给水电力等市政工程设施、管线的分布情况等。（三）土地使用规划图规划各类用地的界限，规划用地的分类和性质、道路网络布局，公共设施位置；须在现状地形图上标明各类用地的性质、界线和地块编号，道路用地的规划布局结构，表明市政设施、公用设施的位置、登记、规模，以及主要规划控制指标。（四）道路交通及竖向规划图确定道路走乡、线性、横断面、各支路交叉口坐标、标高、停车场和其他交通设施为之机用地界线，各地块室外地坪规划标高；1．道路交通规划图在现状地形图上，标明规划区内道路系统与区外道路系统的衔接关系，确定区内各级道路红线宽度、道路线形、走向，标明道路控制点坐标和标高、坡度、

缘石半径、曲线半径，重要交叉口渠化设计；轨道交通、铁路走向和控制范围；道路交通设施（包括社会停车场、公共交通及轨道交通站场等）的位置、规模与用地范围。2．竖向规划图在现状地形图上标明规划区域内各级道路为何地块的排水方向，各级道路交叉点、转折点的标高、坡度、坡长，标明各地块规划控制标高。（五）公共服务设施规划图（1：2000）标明公共服务设施位置、类别、等级、规模、分布、服务半径，以及相应建设要求。（六）工程管线规划图（1：2000）各类工程管网平面布置、管径、控制点坐标和标高，具体分为给排水、电力电讯、热力燃气、管线综合等。必要时，可分别会址。 1．给水规划图标明规划区供水来源，水厂、加压泵站等供水设施的容量、平面的位置及供水标高，供水管线走向和管径。 2．排水规划图标明规划区雨水泵站的规模和平面为止，雨水管渠的走向、管径及控制标高和出水口位置；表明污水处理厂、污水泵站的规模和平面位置，污水管线的走向、管径、控制标高和出水口的位置。 3．电力规划图标明规划区电源来源，各级变电站、变电所、开闭所平面位置和容量规模，高压线走廊平面位置和控制高度。 4．电信规划图标明规划区内电信来源，电信局所的平面位置和容量，电信管道走向、管孔数，确定微波通道的走向、宽度和起始点限高要求。 5．燃气规划图标明规划区气源来源，储配气站的平面位置、容量规模，燃气管道等级、走向、管径。6．供热规划图标明规划区热源来源，供热及转换设施的平面布置，规模容量，供热管网等级、走向、管径。（七）环卫、环保规划图标明各种卫生设施的位置、服务半径、用地、防护

控制性详细规划编制的内容深度与成果要求

控制性详细规划编制的内容深度与成果要求一：控制性详细规划的图纸成果与深度要求 1、规划用地的位置图（区位图）（比例不限）标明规划用地在城市中的位置，与周边主要功能区的关系，以及规划用地周边主要的道路交通设施、线路及地区可达性情况。 2、规划用地现状图：（比例1：2000）标明土地利用现状图、建筑现状图、人口分布现状、公共服务设施现状、市政公共服务设施现状。（1）土地利用现状包括标明规划区域内各类现状用地的范围界限、权属、性质等，用地分至小类（2）人口现状标明规划区域内各行政边界人口数量、密度、分布及构成情况等（3）建筑物现状标明规划区域内各类现状建筑的分布、性质、质量、高度等（4）公共服务设施、市政公共设施现状标明规划区内及对规划区域有重大影响的周边地区现有公共服务设施（包括行政、商业金融、科学教育、体育卫生、文化等建筑）类型、位置、等级、规模等，道路交通网络、给水电力等市政工程设施、管线分布等情况等。 3、土地利用现状图：（比例1：2000）规划各类用地的界线、规划用地的分类和性质、道路网络布局，公共设施的位置；须在现状地形图上标明各类用地的性质、界线和地块编号，道路用地的规划布局结构，标明市政设施，公共设施的位置、等级、规模，以及主要控制指标 4、道路交通及竖向规划图：（比例1：2000）（1）道路交通规划图在现状地形图上，标明规划区内道路交通系统与区外道路系统的衔接关系，确定区内各级道路红线宽度、道路线型、走向，标明道路控制点的坐标和标高，坡度、缘石半径、曲线半径、重要交叉口渠化设计；轨道交通、铁路走向和控制范围，道路交通设施（包括社会停车场、公共交通及轨道交通站场等）的位置、规模和用地范围。（2）竖向规划图

基于深度学习的目标检测最新研究进展总结概述(DL必看)

基于深度学习的目标检测研究进展 2016-05-30深度学习大讲堂深度学习大讲堂开始本文内容之前，我们先来看一下上边左侧的这张图，从图中你看到了什么物体？他们在什么位置？这还不简单，图中有一个猫和一个人，具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置。其实刚刚的这个过程就是目标检测，目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。目标检测对于人来说是再简单不过的任务，但是对于计算机来说，它看到的是一些值为0~255的数组，因而很难直接得到图像中有人或者猫这种高层语义概念，也不清楚目标出现在图像中哪个区域。图像中的目标可能出现在任何位置，目标的形态可能存在各种各样的变化，图像的背景千差万别……，这些因素导致目标检测并不是一个容易解决的任务。得益于深度学习——主要是卷积神经网络(convolution neural network: CNN)和候选区域(region proposal)算法，从2014年开始，目标检测取得了巨大的突破。本文主要对基于深度学习的目标检测算法进行剖析和总结，文章分为四个部分：第一部分大体介绍下传统目标检测的流程，第二部分介绍以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN); 第三部分介绍以YOLO为代表的将目标检测转换为回归问题的目标检测框架(YOLO, SSD); 第四部分介绍一些可以提高目标检测性能的技巧和方法。一.传统目标检测方法

如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。（实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域） (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。（这个阶段常用的特征有SIFT、HOG等） (3) 分类器主要有SVM, Adaboost等。总结：传统目标检测存在的两个主要问题：一个是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。二. 基于Region Proposal的深度学习目标检测算法对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region proposal（候选区域）是预先找出图中目标可能出现的位置。但由于region proposal利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal算法有selective Search和edge Boxes，如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC）上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分

改进熵值法问题的初探

现代商业 MODERN BUSINESS 188 Macroscopic economy 宏观经济一、绪论熵原是热力学的一个物理概念。在信息系统中的信息熵是信息：无序度的度量，信息是系统有序程度的度量，两者绝对值相等，符号相反。信息熵越小，信息的无序度越低，其信息的效用值越大，指标的权重也越大；反之，信息熵越大，信息的无序度越高，其信息的效用值越小，指标的权重也越小。据此性质，统计学广泛应用信息熵反映系统信息的有序程度和信息的效用值，进行客观赋权从而作出综合评价。二、熵值法的主要原理设有个样本，项评价指标，形成原始指标数据矩阵，对于某项指标，指标值的差距越大，则该指标在综合评价中所起的作用越大，如果某项指标的指标值全部相等，则该指标在综合评改进熵值法问题的初探［内容摘要］熵值法是一种客观赋权方法，它通过计算指标的信息熵，根据指标的相对变化程度对系统整体的影响来决定指标的权重，相对变化程度大的指标具有较大的权重，此方法现广泛应用在统计学等各个领域，具有较强的研究价值。但随着社会的发展、科学的进步及我们研究问题的复杂性越来越高，传统的熵值法已经不能完全满足研究的需要，这样就有必要对它进行一定的改进。本文就针对此问题进行了初步探索，并对改进的熵值法和其它客观赋权法的进行了比较。［关键词］熵值法；改进熵值法；比较苏　洁沈文成浙江理工大学经济管理学院杭州３１００１８价中不起作用。在信息论中信息熵表示系统的有序程度，一个系统的有序程度越高，则信息熵越大，其信息的效用值越小；反之，一个系统的无序程度越高，则信息熵越小，其信息的效用值就越大。所以，可以根据各项指标效用值的差异程度，利用信息熵这个工具，计算出各指标的权重，为多指标综合评价提供基础。三、用熵值法进行综合评价的步骤第一，将各指标数据标准化原始指标可以分为正向指标和负向指标，对于正向指标，记Ｍｊ为其理想值，对于负向指标，记ｍｊ为其理想值。理想值的获取可以通过原始数据，把极值作为理想值，即令，定义为对于理想值的接近度，对于正向指标，，对于负向指标，定义其标准化值。第二，计算指标信息熵和信息效用值第ｊ项指标的信息熵为，其中，ｋ为常数，对于一个信息完全无序的系统，其熵值最大，此时对于给定的ｊ全部相同，那么，此时，取极大值。令，则有。某项指标的信息效用值：。第三，计算指标权重和综合评价值某项指标的信息效用值越高，则对于评价的重要性就越大，则第ｊ项指标的权重为：。第个样本的综合评价值为：。四、　用功效系数法进行变换取第Ｊ项指标值中最好值为，最差值为，用下列公式进行变换：为避免变换后的数据出现零，的范围应取（０，１）。在用此公式进行变换时，实际上加入了评价者的主观因素，因为的选取是由评价者决定的。如果评价者要加大该指标的权重，可将取大一些，这时数据范围大．用熵值法计算的权重就大；同理，如果要减小该指标的权重，可将取小一些，这时数据范围小，用熵值法计算的权重就小。从这个意义上说，用功效采数法对数据变换后的熵值法不是严格的客观赋权法，而是一种主、客观结合赋权法。用功效系数法变换后，对极端值怍一定的处理，消除了指标值中负值的问题，然后按前面的步骤进行评价，但取不同的，可能会出现不同的评价结果五、　用标准化法进行变换其中ｘｊ为第Ｊ项指标值的均值，Ｓｊ为第Ｊ项指标值的标准差。然后用Ｚ代替前面的步骤重的Ｘｉｊ进行评价．用标准化法进行变换与用功效系数法进行变换的区别是：１）用标准化法变换不需要加入任何主观信息，是一种完全意义的客观赋权法。２）用功效系数法变换的选取不同使得评价结果可能是不唯一的，而用标准化法进行变换评价结果是唯一的。３）标准化法有利于缩小极端值对综合评价的影响。六、　改进的熵值法和其它客观赋权法的比较客观赋权法从实质上来说可以分为以下几类：１）消除指标间的相关性确定权数综合评价是通过多项指标进行的，如果指标间具有一定的相关关系，说明它们》转１８７页

修建性详细规划设计深度编制要求

附件一、设计成果内容深度编制要求一、修建性详细规划编制文件内容要求 1、规划说明书和设计图纸（1）修详规设计说明书（含技术经济指标表）; （2）区位图－－能清楚反映项目周边较大范围的道路、建筑、地形、地貌等现状情况，宜附现场照片；（3）规划地区现状分析图；（4）规划总平面图（比例为1：500，大地块项目还需1：1000 总图） ●总平面图应在批准的规划红线内设计布置，不能擅自改变红线外用地和道路现状。图中应准确反映建筑层数、建筑正负零标高、场地标高、建筑间距（含与用地边界的半间距及与建筑间的全间距）、建筑与道路坐标、与道路环境的关系，做好各类人行、车行出入口的交通组织；坡地建筑应完整表达竖向设计及反映设计堡坎的位置； ●总平面图中地形图应清晰，与新设计的内容在线条深度上应明确区分，图纸比例准确； ●总平面图上的建筑、道路及环境的各种设计线型应粗细有别、层次分明； ●地块内须保留的建筑应注明，其规模应计入项目总规模；

●总平面图须与平、立、剖面图相吻合； ●符合修建性详细规划现状的综合技术经济指标表（指标数据应真实、准确，指标表应符合我局要求的格式）； ●设计单位资质应符合有关要求并盖章签字齐全； ●电子文档与纸质文件内容一致。（4）竖向规划图－－场地设计应与周边规划道路相衔接，并结合现状高差合理确定建筑正负零标高，避免深挖高切；（5）道路交通规划图－－用地内的设计道路应与周边城市道路合理连接，车行道路开口的数量与位置应符合道路设计规范，车道变坡线不应超越道路红线；（6）绿地系统规划图－－有公共绿地的应在总图上标明其面积与位置，建（构）筑物不得侵占公共绿地，同时还应符合园林部门的有关规定；（7）综合管网规划图－－用地内综合管网不得超越城市道路红线，污水处理装置（生化池）不得占用公共绿地，其与建筑的间距应满足有关规范要求，建（构）筑物不得占压各类管网保护范围，需改线的应在审查时提交有关部门的相应意见；（8）反映规划设计意图的透视图或建筑模型、相关主要建筑的典型平、立、剖面图。 2、电子文件光盘电子文件须符合市规划局关于《电子文件图形标准》的要求。 3、修详规文本制作

(完整版)目标检测综述

，、传统目标检测方法如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。(实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域) (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。(这个阶段常用的特征有SIFT HOG等) (3) 分类器主要有SVM, Adaboost等。总结：传统目标检测存在的两个主要问题：一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。 1、基于Region ProposaI的深度学习目标检测算法对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region

proposal候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal 算法有selective Search和edge Boxes 如果想具体了解region proposal 可以看一下PAMI2015 的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC^类任务的Top-5 error降低到了15.3%,而使用传统方法的第二名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多，这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。2014年，RBG（ Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。 1. R-CNN (CVPR2014, TPAMI2015) (Region-based Convolution Networks for Accurate Object detecti on and Segme ntati on) R-CNN: Region-based Convolutional Network tVTOCiiitor? no.

修建性详细规划内容和深度要求

修建性详细规划容和深度要求详细规划的主要容：详细规划的主要任务是：以总体规划或者分区规划为依据，详细规定建设用地的各项控制指标和其他规划管理要求，或者直接对建设作出具体的安排和规划设计。详细规划分为控制性详细规划和修建性详细规划。根据城市规划的深化和管理的需要，一般应当编制控制性详细规划，以控制建设用地性质、使用强度和空间环境，作为城市规划管理的依据，并指导修建性详细规划的编制。一、修建性详细规划修建性详细规划site plan 以城市总体规划、分区规划或控制性详细规划为依据，制订用以指导各项建筑和工程设施的设计和施工的规划设计。是城市详细规划的一种。容根据建设部《城市规划编制办法》，修建性详细规划应当包括下列容： 1、建设条件分析及综合技术经济论证； 2、作出建筑、道路和绿地等的空间布局和景观规划设计，布置总平面图； 3、道路交通规划设计； 4、绿地系统规划设计； 5、工程管线规划设计； 6、竖向规划设计； 7、估算工程量、拆迁量和总造价，分析投资效益。修建性详细规划的文件和图纸包括：修建性详细规划设计说明书、规划地区现状图、规划总平面图、各项专业规划图、竖向规划图、反映规划设计意图的透视图等。基础资料修建性详细规划可以由有关单位依据控制性详细规划及建设主管部门(城乡规划主管部门)提出的规划条件，委托城市规划编制单位编制。修建性详细规划需收集的基础资料，除控制性详细规划的基础资料外，还应增加：（一）控制性详细规划对本规划地段的要求；（二）工程地质、水文地质等资料；（三）各类建筑工程造价等资料。修建性详细规划的成果（一）规划说明书 1、现状条件分析； 2、规划原则和总体构思； 3、用地布局； 4、空间组织和景观特色要求； 5、道路和绿地系统规划； 6、各项专业工程规划及管网综合； 7、竖向规划； 8、主要技术经济指标，一般应包括以下各项： 1）总用地面积； 2）总建筑面积； 3）住宅建筑总面积，平均层数；

五元系数法-改进熵权法在水质评价中的应用

第13卷第2期2015年4月南水北调与水利科技 S outh -to -North W ater Transfers and Water Science &Techn ology V ol.13N o.2 A pr.2015 生态与环境收稿日期:2014-04-26 修回日期:2014-12-01 网络出版时间:2014-03-20 网络出版地址:http://w w https://www.wendangku.net/doc/575504335.html,k https://www.wendangku.net/doc/575504335.html,/kcms/detail/13.1334.T V.20150320.1629.005.h tm l 基金项目:贵州省科技计划课题“贵州省城市典型饮用水源地面源污染及自动监测设施智能运维系统研究与示范”(黔科合SY 字[2014] 3045号);贵州大学研究生创新基金项目(研理工2014603) 作者简介:宋丽婧(1989-),女,贵州贵定人,主要从事给排水科学与工程、水污染控制技术方面的研究。E -mail:672346171@https://www.wendangku.net/doc/575504335.html, D OI:10.13476/https://www.wendangku.net/doc/575504335.html,ki.nsbdqk.2015.02.017 五元系数法-改进熵权法在水质评价中的应用宋丽婧,魏琛,宋玲梅 (贵州大学土木工程学院,贵阳550025) 摘要:为了使水质监测值和水体划类标准值之间关系更紧密,利用五元联系数方法建立了各水质评价指标与评价标准的五元联系数;同时在传统熵权计算的基础上,采用秩比法设定偏好校正系数,得到改进的熵权重;最后将五元联系数u i 和改进的熵权重WR i 相结合获得五元综合联系度,据此对水质进行评价,这是一种主客观结合的、符合实际情况的水质评价新方法。以贵州贵阳市河流断面监测数据为例,评定样本点所在河段水质等级,分析了该河流水质变化趋势,验证了五元系数法-改进熵权法水质评价方法的实用性。关键词:改进熵权法;五元联系数;水质评价;因子分析;水质变化趋势中图分类号:X824 文献标志码:A 文章编号:1672-1683(2015)02-0268-06 Application of five -element connection number method -im proved entr opy method in water qu ality e valuation SO N G L i -jing,WEI Chen,SO N G L ing -mei (College of Civil E ngi neer ing ,Guiz hou Univer sity ,Guiy ang 550025,China) Abstract:T o tig ht the r elatio nship betw een the w ater quality mo nitor ing value and wat er classified standar d,the fiv e -element co nnection number met ho d w as used to establish the fiv e -element connect ion numbers o f the evaluat ion cr iter ia for v ario us indi -cato rs of w ater quality evaluatio n.On the basis of t raditio nal entro py w eig ht calculation,t he rank method w as used t o set the pr eference cor rectio n co ef ficient s and then to o btain the impr ov ed entro py weig hts.T he fiv e -element co nnection number ui w as co mbined w ith the improv ed entro py weight WR i to obtain the com pr ehensive fiv e -element connect ion for w ater quality ev alua -tion.T his is a new ly combined o bject ive and subjectiv e method for w ater quality evaluation.T he method w as applied to evaluat e water qualit y g rade and analy ze the var iatio n tr end of water qualit y in a riv er of Guiy ang City o f G uizho u P rov ince based on the monitor ing data of a cr oss section,w hich v erified the applicability of the five -element connect ion number metho d -impr ov ed en -tr opy method in w ater quality ev aluatio n. Key words:improv ed entro py method;f ive -element connect ion number ;water quality evaluation;factor analy sis;var iatio n trend of w ater quality 水质评价作为水域系统分析的后阶段,准确地反映当前的水体质量和污染状况,弄清水体质量变化发展的规律,找出流域的主要污染问题[1],对下一步提出水域治理方案的决策起到承上启下的作用,水质评价的理论方法的合理性、科学性、有效性以及可靠性对定量化的研究水资源的可持续利用有着重要的意义。目前,我国常用的评价方法[1-7]为:单因子分析法、综合指数法、灰色聚类法、BP 神经网络评价法、物元分析法、集对分析法等。单因子分析法主要应用于建设项目的环境影响评价,分析水环境单因子的超标倍数,方法简单、速度快、结果直观,但评价结论模糊,评价尺度严格,难以描述清楚水质变化程度。综合指数法是基于先确定污染指标权重后评价的方法,将评价指标分类、水质分级后提高了评价的客观性,但评价尺度偏严,对超过分级界限的不同水体,可比性不强。灰色聚类法是对不同对象利用白化权函数描述水质分级界限的方法,消除各水质指标浓度值量级差异的影响,适用于定量处理信息模糊的情况,其缺点是忽略了不相邻等级的影响,不能反映各指标相同级别的变化幅度。BP 神经网络评价法通过模拟生物神经系统单元组成,通过训练后的自适应评价,无需确定权重,适用于区域评价,精度高,计算原理、过程复杂。物元分析法是基于各指标不相容性提出的定量化方法,它增加了实测数据与标准限值间的联系度,可靠性增 ?268?