基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于多尺度特征融合注意力CNN的遥感图像语义分割方法

针对遥感图像目标尺度变化较大、分割不够准确的问题,提出了一种融合多尺度特征注意力卷积神经网络(CNN)的图像分割方法。该方法基于卷积块注意力模块提出了改进的有效注意力模块(ECBAM)。在通道注意力模块中加入空洞卷积以降低池化操作造成的特征损失,并在通道注意力模块后添加卷积层对通道注意力特征映射进行特征融合。然后,基于ECBAM设计了一种编码解码架构的卷积神经网络模型ECBAM-CNN,其中编码器主要由卷积层、ECBAM和空洞空间金字塔池化模块组成,解码器主要由卷积层和ECBAM组成,并且采用跳跃连接将编码阶段的多尺度信息融合到解码器。实验表明,提出的方法无需预训练和后处理,与SegNet等前沿方法相比取得了更好或相近的分割准确度,在DLRSD和WHDLD测试集上的mIoU分别为67.3%和62.0%。     

改进特征融合的实时语义分割方法

针对实时语义分割任务中需要同时兼顾位置信息和语义信息的问题,提出一种改进特征融合的实时语义分割方法。该方法由卷积神经网络、轻量级注意力模块(light attention module, LAM)和双通道特征融合模块(bilateral feature fusion module, BFFM)组成。首先,使用卷积神经网络结合轻量级注意力模块快速提取图像的位置信息和语义信息。然后,使用双通道特征融合模块指导位置信息和语义信息的特征图融合。所提方法在CamVid上,平均交并比达到67.8%,分割速度可达到52.6帧/s。在Cityscapes上,平均交并比达到73.5%,分割速度可达到31.8帧/s。实验结果表明,提出的分割方法满足分割的准确性和实时性要求,能够适用于实时语义分割任务中。     

基于多尺度互注意力的遥感图像语义分割网络

为了解决在遥感图像语义分割任务中存在的目标物体之间巨大尺度差异和丢失空间细节信息导致分割精度下降的问题,提出多尺度互注意力与指导上采样网络.利用多尺度互注意力模块获得不同尺度图像之间的像素关系,平衡不同尺度物体的权重,提高小尺度物体的分割性能.编码指导上采样模块利用编码结构中的信息,指导图像上采样的过程,融合空间细节信息,提升目标物体边界像素的分类效果.在Potsdam数据集和Jiage数据集上的m IoU得分分别为85.52%和86.59%,较次优网络分别提升了1.32%和1.46%.     

遥感图像语义分割空间全局上下文信息网络

为了解决卷积神经网络(CNN)在语义分割特征提取阶段容易丢失空间信息以及边界信息不明确的问题,基于U-Net基线网络提出空间全局上下文信息网络(NC-Net). 增加再编码阶段(ReEncoder),以增强空间信息识别能力. 在Decoder阶段输出多尺度特征,与ReEncoder阶段结合获取全局上下文信息. 保留边界损失函数,设计多尺度损失函数级联方法,优化整体网络. 在GID以及WHDLD数据集上的实验结果表明,该方法的总体准确度达到最好成绩,明显优于其他基线模型.     

基于深度学习的遥感图像道路分割

为在遥感图像中提取出来道路信息,利用深度学习技术,引入U²-Net模型进行遥感图像道路分割。相比于传统的道路提取方法,基于U²-Net方法可以实现道路的自动化提取。为验证U²-Net模型分割效果,选取U-Net、DeepLabV3+等近几年较为流行的语义分割方法进行对比试验,并进一步分析U²-Net显著图融合模块中卷积核对道路提取效果的影响。试验结果表明,U²-Net模型能较有效地提取出道路信息,模型在测试集上的平均交并比达到了76.49%,Kappa达到了0.701 2,分割精度优于U-Net、DeepLabV3+等语义分割方法。基于U²-Net模型的深度学习方法可以用于解决遥感图像中的道路分割问题,并具有较好的分割效果。     

一种彩色多级阈值的图像分割方法及在形状特征提取方面的应用

根据实际需要通过大量实践提出了一种有效的便于提取形状特征的彩色多级阈值图像分割办法，并在实践中得以验证。     

基于监督注意力机制的语义标签生成图像

由于卷积神经网络内部存在局部连接,通过学习局部特征,模型能够较好地生成纹理风格信息,但是对高级语义特征的学习能力较差,导致生成图像中语义目标出现模糊失真的现象.为提高神经网络的全局特征处理能力,使生成图像中的语义目标更清晰真实,本研究提出一种监督注意力机制应用于端到端结构的级联细化网络图像生成模型.对第一级精细化模块输...     

面向水下场景的轻量级图像语义分割网络

提出面向水下场景的图像语义分割网络,考虑到速度和准确度之间的权衡问题,网络采用轻量且高效的编解码器结构.在编码器部分,设计倒置瓶颈层和金字塔池化模块,高效地提取特征.在解码器部分,构建特征融合模块融合多水平特征,提升了分割的准确度.针对水下图像边缘模糊的问题,使用辅助的边缘损失函数来更好地训练网络,通过语义边界的监督细化分割的边缘.在水下语义分割数据集SUIM上的实验数据表明,对于320像素×256像素的输入图像,该网络在NVIDIA GeForce GTX 1080Ti显卡上的推理速度达到258.94帧/s,mIoU达到53.55%,能够在保证高准确度的同时,达到实时的处理速度.     

基于多层级特征自适应融合的图像分割算法

为了解决传统算法对医学图像分割时精度较低的问题,提出基于多层级特征自适应融合的新型FRUnet图像分割算法.在编码器阶段,设计采样加权模块替代传统卷积层,对图像空间信息进行逐层提取和特征融合,获得相邻像素之间的相关性和不同层次的语义信息.在解码器阶段,设计多层级自适应融合模块,通过非线性跳跃连接逐层提取图像通道信息,自适应地融合邻近连接层的上下文信息,使各层专注不同特征信息的提取.FR-Unet在模型参数量上大幅度减少,让网络在场景部署上得到更好的支持.实验结果表明,该网络在动物细胞分割、肝脏器官分割、皮肤病变分割等众多任务中均表现突出.     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

一种快速有效的遥感图像场景分类特征

针对在遥感大数据中如何进行快速有效的场景分类,提出一种图像特征的构建方法.基于非监督学习进行快速二值编码,首先对图像局部训练样本利用非监督学习获取相应滤波器组,然后再使用二值化哈希编码方法对场景单元特征图进行量化,最后统计得到场景全局特征.实验结果表明,该特征描述结合了滤波器组和二进制特征描述子的优点,在保证较高分类精度的前提下,能够大幅度提升计算效率,具有较好的鲁棒性.     

基于CBERS-02B高分辨率遥感影像分割的最优尺度选取

高分辨遥感影像的信息提取对矿山的监测有着重要意义,影像分割是高分辨率遥感影像信息提取关键的一步．文中以赣州稀土矿山的高分辨率遥感影像为源数据,采用分形网络演化多尺度分割算法对高分辨率遥感影像进行分割,通过Robert算子的边缘提取结果计算分割参数获取分割尺度,并在此基础上设置不同分割尺度对影像进行分割,对比分析分割结果表明,沉淀池的最优分割尺度为35．最后利用分割质量值对分割结果进行评价分析,验证了试验结果的正确性．     

遥感图像中基于视觉显著性的分层目标检测

针对遥感图像自动判读的应用场景,提出了一种基于视觉显著性的分层目标检测方法。该方法对于每一个特征定义一个偏好函数,并定义一个将各偏好函数计算的多个视觉显著性图像合成为一个视觉显著性图像的合成偏好函数。首先对低分辨率目标图像分别使用各偏好函数计算对应特征的视觉显著性图像;然后使用合成偏好函数计算合成的视觉显著性图像;最后定位出合成偏好函数取得最大值的区域,并将其作为最有可能包含目标的候选区域。这三个步骤在定位出的候选区域对应更高分辨率的图像上反复进行,直到待检测目标被发现或者被确定不存在为止。实验结果证明,该方法能够尽早地略过那些不包含目标的区域,与传统的目标检测方法相比,具有更好的检测效果和更少的计算量。     

基于小波包移频算法的遥感图像融合技术

为了对分类最小二乘支持向量机实施有效的稀疏化，以提高分类速率，采用分类相关分析算法，按序提取样本核矩阵的全部分类相关成分，并依据样本核矩阵各列与分类相关成分的相关性，对训练集所有个体按分类的重要性排序，进而可选取最重要的部分个体作为支持向量，并将其余非支持向量的信息转移至支持向量，以提高支持向量的分类表达能力.由此构建一种新的稀疏型最小二乘支持向量机CS LSSVM，并将其应用于多个模式分类的实际问题.测试结果表明，CS LSSVM稀疏性很强，且保持了标准LSSVM的分类性能，还可直接适用于多类问题.     

基于Sobel算子的球体IHS遥感影像融合算法

提出一种基于Sobel算子的球体IHS遥感影像融合算法,先对多光谱Mul影像做IHS变换并提取I分量,采用八方向模板Sobel边缘检测算子计算不同窗口参数（level）的全色Pan影像与I分量的局部区域清晰度值GP 和GI ,并根据局部区域的清晰度的大小确定不同区域的融合影像的I分量的新值I′。采用本文方法1（level＝12）和方法2（level＝24）,通过实验并与其他融合方法比较,本文方法在提高影像分辨率的同时也保留了更多光谱信息和边缘细节,效果较好。     

基于提升格式的高光谱遥感图像压缩算法

高光谱遥感的特点是谱分辨力的提高,但其高数据维给图像进一步处理带来了困难,因此有必要对其进行有效压缩处理.该文以提升格式为基础对高光谱图像压缩算法进行了研究,充分考虑了高光谱图像的空间相关性和谱间相关性,采用自适应波段选择的谱间压缩方法,通过自适应选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量,然后采用梅花形网格分解方法构造出第二代小波变换,从而对二维图像进行空间压缩,可实现提升格式的分解和完全重构.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低,以提升格式为基础的第二代小波变换比第一代小波变换取得更好的空间压缩效果.