太阳城集团亚洲娱乐城-澳门太阳城集团娱乐城最新地址_百家乐电影网_全讯网xb112 (中国)·官方网站

本項目屬于醫藥衛生領域應用技術類研究成果，主要研究胎兒結構異常超聲篩查策略、轉診體系以及超聲診斷新技術指標。設計多中心前瞻性隊列研究，依據四川省人口出生特點及四川省衛生廳備案具備產前診斷資質的醫療機構情況，納入四川省內6個省、市級產前診斷機構（四川大學華西第二醫院、四川省婦幼保健院、成都市婦幼保健院、宜賓市第二人民醫院、攀枝花市婦幼保健院、德陽市人民醫院）產前檢查孕婦人群，以初步建立地域為特點的胎兒結構異常超聲篩查策略、轉診體系。深入探討超聲診斷新技術指標，包括建立四川省胎兒超聲軟指標參考值范圍，為臨床科學決策提供數據依據；初步建立早孕期超聲篩查技術規范；對相關高危人群進行胎兒針對性檢查，初步建立針對性胎兒超聲心動圖檢查技術規范及針對性胎兒神經系統超聲檢查技術規范，合理應用醫療資源，提高全省產前超聲醫師診斷技能；建立超聲監測胎兒心功能評價宮內治療胎兒心律失常的方法，探討超聲引導胎兒臍靜脈穿刺技術應用。

5G+AI 云邊一體化智慧出行解決方案，針對道路事故率高、交通擁堵困局、道路交通監管難、公共交通信息阻塞等問題，匯集了5G 通信、AT 算力資源平臺、AI 算法、邊緣計算網關、車路協同、智慧燈桿、大數據管理平臺等諸多軟硬件技術成果，具有充分的綜合性、創新性、協同性、大集成等特征，同時將 5G、AI、物聯網、大數據、云邊一體化等技術交互融合，實現交通流感知、交通事件感知、配時方案優化、智慧燈桿、邊緣計算網關等功能。 建設進展 研發方向一：網絡建設規劃南京移動在新港地區優先投入5G建設資源，目前新港開發區范圍內，共 規劃5G站點114個，其中宏站82個，桿站32個；已開通宏站27個。本項 目規劃恒競路需求站點11個，宏站9個，桿站2個，廠區內部宏站2個，興 智路需求站點6個，其中宏站2個，桿站4個。 研發方向二：AI云平臺研發 南郵信產院投入建設AI云平臺，為人工智能提供算力支撐，為算法模型訓練提供海量數據和開發環境，為區內 人工智能企業及高校科研人員提供一站式人工智能產業服務，帶動人工智能技術的提升。目前已建成。 研發方向三：智慧燈桿+邊緣網關 智慧燈桿：場景載體，環境感知等多功能實現。 邊緣網關：各個功能互通互聯的媒介 目前智慧燈桿進入融合各家設計階段。 研發方向四:車路協同/無人駕駛交通流感知-實時感知城市交叉口內車流量、速度、排隊長度、占有率等數據。交通事件感知-提供停車，逆行，超速，擁堵，變道等事件信息，并提供照片和視頻。車路協同-將感知數據下發至無人駕駛車輛，車輛根據獲得的信息自動優化行駛路線。配時方案優化-將感知數據直接下發到交通信號機，實時生成交通信號配時方案，下發至交通信號機，實現路口單點自適應控制。 研發方向四：車路協同/無人駕駛建設面向L4級無人駕駛的車路協同系統。主要是車路協同系統車端建設。通信網絡建設方面：參與對5G網絡的驗證，協助驗證5G網絡與無人駕駛的互聯互通。 大數據平臺建設方面：其無人駕駛車可以在多場景應用，充當城市各種數據收集的載體。 車路協同云控平臺建設方面：承擔車路協同云控平臺建設。 關注重點 開放性場景定義：一般是指城市基礎設施建設運營管理、產業發展、民生服務等領域，對新技術新產品有應用需求的各類工程、項目。通過應用場景開發建設，可以推進新技術新產品的示范應用和迭代升級，助力新技術新產品推廣應用。《南京市關于加快應用場景開發建設2021年行動方案》圍繞5G+AI云邊一體化創新應用示范道路，向全產業鏈（企業、科研機構等）開放能力。一是路側基礎設施開放，在南京南郵信息產業技術研究院有限公司統籌管理下，開放路側龍門架、桿位等資源，以及相應的供電 、聯網能力，為路側生態參與者提供寶貴的示范場地；二是數據開放，在保障信息安全和公共隱私的前提下，開放路側時空全覆蓋的結構化與非結構化數據，形成"興智路數據集"，為產業發展注入珍貴的稀缺數據資源；三是應用開放，建立其他生態參與者加入的申請入口，規范開放"數據集"，通過互聯網、展廳等線上線下渠道向全社會展示 5G+AI云邊一體化創新應用示范道路的成效。 示范性在中國（南京）智谷的指導下，本項目參與四方集聚各自技術及資源優勢，群策群力，協同創新，緊密且高效地推進建設計劃；將5G、AI、物聯網、大數據、云邊一體化等技術交互融合，期望建成經開區人工智能產業方向上的標志性應用場景，樹立良好的示范典型。 先進性5G+AI云邊一體化創新應用示范道路"項目，針對道路事故率高、交通擁堵困局、道路交通監管難、公共交通信息阻塞等問題；匯集了5G通信、AI算力資源平臺、邊緣計算網關、車路協同、智慧燈桿、大數據管理平臺等諸多軟硬件技術成果；與其他單純的車路協同場景、智慧燈桿場景相比，具有充分的綜合性、創新性、協同性、大集成等獨特特征和 充分的先進性。

一種基于非監督特征學習的高分辨率遙感影像場景分類方法，包括對輸入的原始高分辨率遙感圖像 進行劃分得到場景，從每個場景中隨機地提取若干個訓練圖像塊，將訓練圖像塊聚集起來做預處理操作; 計算所有訓練圖像塊的低維流形表示，聚類得到一組聚類中心;對每一幅場景密集采樣得到局部圖像塊， 對每個局部圖像塊做預處理操作后映射到相同的低維流形空間中，然后進行編碼獲得場景的所有局部特 征;將所有場景的局部特征集合起來進行特征量化，統計每一幅場景的局部特征直方圖，得到場景的全 局特征表達;隨機挑選若干幅場景作為訓練樣本，由分類器得到每一幅場景的預測類別標號，完成原始 高分辨率遙感場景的標注任務。

本發明公開了一種結合全球 DEM 與立體視覺的衛星影像云檢測方法，利用密集匹配的 DSM 數據 和現有的全球 DEM 數據 SRTM，結合高程與影像灰度信息提取云區域。主要步驟如下：通過多影像多 匹配基元方法獲得模型匹配的 M-DSM，基于特征線的方法配準 M-DSM 與 SRTM，通過高程差值獲得 初始種子點，然后把種子點計算到像方，結合影像的灰度信息提取出云區域。本發明在有大面積雪的影 像，能有效的避免雪的干擾，準確地檢測出云區，提高了遙感影像的利用率。 

用于彩色數字影像系統的色適應變換尋優方法及系統，包括輸入影像客體各樣本可見光范圍光譜反 射率數據；計算各樣本在目標光源照明條件下色度信息，求解各樣本在各種模擬光源照明條件下色度信 息；利用各種色適應變換方法預測色適應變換后在目標光源照明條件下的色度信息；計算各模擬光源下 各待尋優的色適應變換方法對各樣本的色適應變換平均精度；構建 BP 神經網絡對模擬光源的相對光譜 功率分布曲線與色適應變換平均精度之間關系進行擬合；對于任意光源，利用各條 BP

武漢大學張永軍教授項目組在國際上首次提出攝影測量遙感的科學概念，構建了多模態衛星影像一體化攝影測量遙感智能處理技術體系，突破了匹配干擾地物快速智能分割、語義輔助幾何處理與大范圍影像鑲嵌合成、地物信息智能提取等關鍵技術，成功研制出我國首套多模態衛星影像一體化攝影測量遙感智能處理系統MIPS。 一、項目分類 關鍵核心技術突破 二、成果簡介 武漢大學張永軍教授項目組在國際上首次提出攝影測量遙感的科學概念，構建了多模態衛星影像一體化攝影測量遙感智能處理技術體系，突破了匹配干擾地物快速智能分割、語義輔助幾何處理與大范圍影像鑲嵌合成、地物信息智能提取等關鍵技術，成功研制出我國首套多模態衛星影像一體化攝影測量遙感智能處理系統MIPS，相關技術理論《多模態衛星影像一體化攝影測量遙感智能處理技術及應用》2021年榮獲測繪科技進步特等獎。 技術特色： (1) 首次提出基于人工智能技術的多模態衛星影像語義分割與幾何處理融合新理論。創建了衛星影像跨域穩健語義分割技術，通過自適應增量優化提升深度分割網絡模型的遷移性和普適性，保證多類型地物語義分割的時效性、容錯性、穩定性和區域一致性。 (2) 通過語義分割結果全自動進行多源地理信息控制點粗差剔除，實現超大范圍多模態影像精準幾何處理；提出輻射不變特征變換算法進行多模態影像高可靠性匹配；單臺機器2.5分鐘可完成8000景衛星影像的并行區域網平差，大幅提高了自動化處理精度和效率。 (3) 突破了基于深度學習的多視遙感影像三維地形及大范圍合成影像智能生成技術，采用物方半全局優化提升困難區域的密集匹配精度，并在語義分割結果的輔助下進行大范圍遙感影像無縫鑲嵌合成。 (4) 基于深度學習進行建筑物、道路、農作物等典型地物目標語義信息智能提取；基于多尺度語義分割網絡融合經驗知識實現建筑物矢量邊緣精確提取；結合語義分割和多起點中心線追蹤優化提取道路網拓撲矢量；基于3D卷積和注意力機制實現多類農作物精細分類及其時空特征智能提取。 (5) 構建了全新的多模態衛星遙感影像幾何語義一體化智能處理技術體系，研制出我國首套自主產權的多模態衛星影像一體化攝影測量遙感智能處理軟件系統MIPS，其數據處理效果和效率均有明顯優勢，顯著提升了融合處理的精準度和智能化水平。 先進性 MIPS具備快速語義分割、語義輔助精準幾何處理、三維地形提取與多影像時序合成、地物語義信息智能提取等特色功能。系統采用最新的衛星影像攝影測量處理、多源影像融合、語義信息提取的相關理論與方法，結合先進的計算機技術、CPU/GPU兩級加速并行處理及深度學習技術，處理效果和效率均明顯優于國內外同類軟件。例如單機情況下19小時即可完成1551景2米分辨率衛星影像的全自動處理，包括云區檢測、影像融合、影像匹配、區域網平差、正射影像糾正等全部處理流程。語義分割結果約束的立體衛星影像區域網平差自動化程度和精度均顯著提升，例如在1:1萬基礎測繪產品DEM/DOM的輔助下，高分七號立體衛星影像的全自動處理高程精度從2.6米大幅提升至0.8米以內，鑲嵌接邊精度優于1像素。

機載LiDAR與航空影像聯合城市三維建模系統（LiDARPro）主要以機載LiDAR點云及多視航空影像作為輸入數據，通過點云語義分割、點云影像配準、實景三維模型重建、建筑物單體結構化模型重建、人機交互等功能模塊，實現高效率、（半）自動的城市實體三維模型重建，具備全自動大測區城市建模、半自動城市高精度精細實體模型重建等多種解決方案，致力于提高智慧城市建設的自動化程度，推進實景三維中國建設進程。 一、項目分類 關鍵核心技術突破 二、技術分析 創新性： 機載LiDAR與航空影像聯合城市三維建模系統（LiDARPro）主要以機載LiDAR點云及多視航空影像作為輸入數據，通過點云語義分割、點云影像配準、實景三維模型重建、建筑物單體結構化模型重建、人機交互等功能模塊，實現高效率、（半）自動的城市實體三維模型重建，具備全自動大測區城市建模、半自動城市高精度精細實體模型重建等多種解決方案，致力于提高智慧城市建設的自動化程度，推進實景三維中國建設進程。系統主要由兩部分功能模塊組成：自動化模型重建模塊及三維可視化交互管理系統模塊。其中自動建模模塊由點云影像自動配準、實景三維模型重建、點云濾波、點云分類、建筑物單體化分割、建筑物結構化模型重建等軟件子模塊構成。系統支持DEM、DOM、實景三維模型、建筑物LoD1至LoD3模型等多種產品生產；支持多核、多CPU、多GPU架構的任務并行化管理，支持搭建點云、影像、模型數據庫，支持人機交互進行語義分割、模型編輯、紋理編輯等功能。 軟件解決的關鍵問題： LiDAR點云與傾斜影像異源異構數據配準問題，點云影像數據難以聯合應用； 單一數據源三維信息與紋理信息不全，高質量模型結果依賴高精度數據輸入，導致數據獲取成本昂貴、效率較低； 城市級實景三維模型重建自動化程度低，低精度自動結構化模型成果難復用，而手動模型繪制難度高、工藝繁瑣； 實景三維數據制作單位高度依賴國外軟件，國產化難。 先進性： 當前，國內90%以上地形級實景三維數據制作測繪單位都基于國外軟件進行三維重建，而城市級實景三維模型則重度依賴全人工手動勾繪且需調用國外專業三維建模軟件，模型重建學習成本極高、軟件針對性不強而效率低下。 機載LiDAR與航空影像聯合城市三維建模系統軟件系統以高精度、高效率、高自動化程度城市級實景三維模型重建為首要目標。軟件系統具備高精度點云影像配準模塊提供異源數據聯合應用基礎；采用LiDAR點云約束的多視影像密集匹配策略實現高精度、全覆蓋三維數據輸入以實現高質量實景三維模型重建；采取地面點濾波、非地面點地物分類、目標地物單體實例分割遞進式流程得到建筑物等地物單體化三維數據；優化自動結構化模型重建與人工干預的結構化建模流程，無需額外依賴專業建模軟件；提供針對建筑物結構化建模的模型編輯、紋理編輯模塊，不達標的自動模型可復用，三維點云端、二維影像端可獨立或聯合編輯，具備交互友好的參照式、勾繪式、半自動編輯模式。 獨占性： 系統主要搭建兩條生產路線，以適應不同地域模型精度要求差異、不同應用時間響應要求。其一是以LiDAR點云為主的快速建筑物結構化模型重建，經過點云分類、建筑物實例分割、結構化模型重建等步驟構建人工地物結構化模型，并利用配準后多視影像對模型紋理映射，此生產線主要產品包括DOM、DEM、 LoD2為主的建筑物結構化模型、典型地物真實色彩點云等輕量基礎數據；其二是在LiDAR點云約束下生成高精度密集匹配點云構造高質量實景三維模型，并在此基礎上提取建筑物單體三角網數據，經過模型簡化抽象得到建筑物LoD3模型，此生產線主要產品包括實景三維模型、建筑物LoD3模型等城市級實景三維數據要素。 此外，軟件系統支持在Windows (Win7/10)、Ubuntu (16.04/18.04/ 20.04)、國產麒麟(V4/V10)等多操作系統中運行，已階段性實現國產化。

本發明公開了一種面向關系數據庫擴展的自適應影像金字塔切片方法，本發明針對空間數據管理系 統發展現狀，綜合考慮局域網網絡帶寬和服務器端數據庫存儲塊大小，并結合局域網客戶端硬件情況， 提出了自適應影像切片模型，根據自適應影像切片模型自適應的選擇影像切片尺寸。本發明可在多種不 同的數據庫、網絡和客戶端條件下實現影像數據智能化高效存儲與訪問，為高效的影像數據管理提供了 可行的思路和方法，有助于在 C/S 架構的網絡環境下高效存取和管理基于數據庫技術的遙感影像數據。 

本發明公開了一種基于改進 SIFT 算子的低空多視角遙感影像匹配方法，首先采用優化的 DoG 算子 對第一影像和第二影像進行特征點檢測，然后利用基于局部區域采樣模擬的 SIFT 描述子對特征點進行 描述形成特征向量，最后采用 NNDR 策略形成初始匹配特征點，并利用基于極幾何約束的 RANSAC 算 法對匹配點進行提純。本發明能夠有效地解決低空遙感影像匹配中存在的多視角以及弱紋理等問題。 

本發明提供了一種基于快速二值編碼的高分辨率遙感影像場景分類方法，包括步驟:步驟 1，劃分 待分類遙感影像獲得場景單元;步驟 2，從場景單元中提取尺寸相同的圖像塊作為局部圖像塊訓練樣本; 步驟 3，采用非監督學習法學習局部圖像塊訓練樣本獲得濾波器組;步驟 4，將場景單元與濾波器組中 各濾波器分別做卷積獲得各場景單元的幅濾波器響應圖，采用二值編碼法分別融合各場景單元的幅濾波 器響應圖獲得各場景單元的全局特征描述;步驟 5，基于場景單元的全局特征描述進行場景單元分類。 本發明在保證場景分類精度的前提下，大大降低了非監學習法的計算代價。