改进U-Net的遥感图像中建筑物变化检测

提出了一种改进U-Net的遥感图像中建筑物变化检测方法,将变化检测问题转化为像素级二分类问题,利用U-Net模型对图像进行分类,把图像中的每个像素划分为变化类或非变化类,并根据变化类的像素得到建筑物的变化检测结果图。针对U-Net模型进行遥感图像中建筑物变化检测时,在训练中容易出现过拟合的现象,提出用非对称卷积块代替U-Net网络特征提取部分的标准卷积操作,增强卷积核的鲁棒性和网络的中心骨架,防止过拟合;针对变化检测数据集中图像背景复杂、小目标的变化情况容易被漏检的问题,提出在U-Net中引入注意力机制,抑制模型对非变化类像素特征的学习,加强对变化类特征的学习,提取到更适合的特征。实验结果表明,在引入非对称卷积块和注意力机制后,变化检测的F1分数有明显的提升。     

一种基于改进FCN的多光谱图像建筑物识别方法

多光谱图像的建筑物目标在不同尺度下具有不同特征,利用传统全卷积神经网络(FCN)进行识别时精度较低。为此,提出一种基于改进FCN的多光谱图像建筑物识别方法。通过旋转图像进行训练集扩充,从网络的第1层～第12层提取图像在4个旋转角度和不同尺度下的低层特征,将其归一化为同样尺寸的图像后提取更高层特征,以实现对多光谱图像建筑物的精确识别。实验结果表明,相比传统FCN方法,该方法能够提高识别的精确率与召回率。     

基于多尺度特征融合模型的遥感图像建筑物分割

针对传统深度网络模型难以精确提取建筑物边缘轮廓特征及对不同尺寸建筑物无法自适应提取的问题,提出一种膨胀卷积特征提取的多尺度特征融合深度神经网络模型(Multiscale-feature fusion Deep Neural Networks with dilated convolution,MDNNet)对遥感图像建筑物自动分割的方法。首先在ResNet101模型中引入膨胀卷积扩大提取视野保留更多特征图像分辨率;其次利用多尺度特征融合模块获取多个尺度的建筑物特征并将不同尺度的特征融合;最终利用特征解码模块将特征图恢复到原始输入图像尺寸,实现遥感图像建筑物精确分割。在WHU遥感图像数据集的实验结果表明,提出模型有效克服道路、树木和阴影等因素影响,分割结果有效保留建筑物边界细节信息,有效提升分割精度,像素准确率PA达到0.864,平均交并比mIoU达到0.815,召回率Recall达到0.862。     

多时态BIT遥感图像建筑物的变化检测

针对来自相同地理空间的不同时刻遥感图像之间的季节性和光度变化(色差)等因素所引起的干扰, 提出了多时态-BIT遥感图像变化检测方法. 该方法引入了过去多个不同时刻的遥感图像, 融合当前遥感图像与过去时态遥感图像两两变化检测的结果, 该方法有助于排除季节性和光度变化引起的误报, 提高了变化检测的准确性; 并且利用过去多个不同时刻的遥感图像, 进一步消除非目标建筑变化的影响, 其变化点像素差值引入作为损失函数正则化项, 从而进一步提高变化检测的鲁棒性和可靠性. 本文以三时态(3个不同时刻的遥感图像)为例, 使用了遥感图像建筑物变化数据集进行了实验. 实验结果表明, 多时态-BIT方法相对于仅考虑两个时态的变化检测方法, 在遥感图像建筑物变化检测任务中表现出更好的效果.     

基于图像匹配的遥感图像建筑物变化检测

本文提出了一种基于图像特征匹配的遥感图像建筑物变化检测新方法.该方法可以检测两幅高空间分辨率遥感图像中的目标建筑物是否发生了变化,并在无变化时确定该目标建筑物在遥感图像上的具体位置.我们使用Quickbird卫星遥感图像进行了初步实验,实验结果表明本文所探讨的方法可以比较可靠地检测到建筑物变化.     

基于视差的高分辨率遥感影像建筑物变化检测

针对城区高分辨率遥感影像建筑物变化检测中视差引起误检测问题,提出一种基于视差的建筑物变化检测方法。首先,利用改进的双峰分裂法实现对建筑物阴影的检测;然后,借助阴影估计屋顶的位置,并自动选取种子区域,结合区域生长法进行建筑屋顶提取;最后,以视差、视差方位角以及面积等作为判定条件对两时相影像建筑物的变化情况进行分析。通过对WorldView-2影像和IKONOS影像进行变化检测,平均正确率达到了89.6%。实验结果表明:在屋顶光谱均匀且有明显建筑阴影的稀疏建筑区,该方法能够有效解决建筑屋顶种子区域自动选取及高层建筑视差引起误检测等难点问题。     

基于视差的高分辨率遥感影像建筑物变化检测

针对城区高分辨率遥感影像建筑物变化检测中视差引起误检测问题，提出一种基于视差的建筑物变化检测方法。首先，利用改进的双峰分裂法实现对建筑物阴影的检测；然后，借助阴影估计屋顶的位置，并自动选取种子区域，结合区域生长法进行建筑屋顶提取；最后，以视差、视差方位角以及面积等作为判定条件对两时相影像建筑物的变化情况进行分析。通过对WorldView-2影像和IKONOS影像进行变化检测，平均正确率达到了89.6%。实验结果表明:在屋顶光谱均匀且有明显建筑阴影的稀疏建筑区，该方法能够有效解决建筑屋顶种子区域自动选取及高层建筑视差引起误检测等难点问题。     

基于局部-全局特征耦合与边界引导的遥感图像建筑物变化检测

针对现有变化检测方法局部特征和全局特征难以兼顾、变化对象和背景之间分界模糊的问题,提出了一种基于局部-全局特征耦合与边界引导的遥感图像建筑物变化检测方法。该方法在编码阶段采用并行的卷积神经网络和Transformer分别提取遥感图像的局部特征与全局表示。在不同尺度下,使用局部-全局特征耦合模块融合局部特征和全局特征表示,以增强图像特征的表达能力。引入边界引导分支获取变化对象的先验边界信息,使其引导变化图突出建筑物的结构特征,促进边界精确定位。该方法在LEVIR-CD和WHU数据集上进行实验验证,其F₁-score分别为91.25%和91.27%,IoU分别为83.90%和83.95%。实验结果表明,该方法在检测精度上有较大的提升,且具有良好的泛化能力。     

基于DBN与对象融合的遥感图像变化检测方法

在高分辨率光学遥感图像变化检测中,多数面向对象的方法只能利用简单的特征组合得到对象特征,难以进行高层特征的设计和提取。针对该问题,提出一种基于深度置信网络和对象融合的图像变化检测方法。将变化检测转化为二分类问题,并把图像像素作为分类单元,在特征学习和分类阶段设计多尺度的图像特征学习和分类方法,以充分利用图像目标的上下文信息。在此基础上设计基于对象的分类融合方法,对利用深度置信网络分类得到的结果进行融合,从而减小局部噪声的影响。在QucikBird影像数据集上的实验结果表明,该方法可有效提高图像变化检测的准确率。     

基于特征增强的光学遥感图像建筑物变化检测

遥感图像变化检测是识别同一区域前后时段两张图像之间像素级变化,能够精确判断目标区域状态变化。现有的遥感图像变化检测方法是在不同时间流中引入注意力机制来强化变化区域图像特征,并将其叠加以实现特征融合,不能有效地挖掘与应用不同时间流特征之间的关系。基于特征提取网络,提出一种在时间维度上基于像素位置偏移的图像特征差异增强方法。该方法可学习不同时相图像特征之间对应区域的像素变化偏移量,增强单时相特征图中发生变化区域和无关区域之间的特征差异。在此基础上,构建一个针对光学遥感图像中建筑物变化的检测框架,以ResNet18网络和多层感知机结构分别作为编码器、解码器,在LEVIR-CD、LEVIR-CD+和S2Looking 3个公开数据集上进行实验,结果表明,基于特征增强的图像变化检测方法的F1值分别为90.74%、86.11%和62.25%,相比目前最优的BIT方法分别提高了1.43、3.31和0.4个百分点。     

延迟深度回声状态网络及其在时间序列预测中的应用

为提高回声状态网络对于时间序列预测问题的处理能力, 本文提出了一种延迟深度回声状态网络构造方法.该方法将多个子神经元池顺序连接, 每两个相邻的子神经元池之间嵌入了一个滞后环节.由于滞后环节的存在,该网络可将长时记忆任务转化为一系列短时记忆任务, 从而简化长时依赖问题的求解, 同时降低神经元池的构建难度.实验表明, 该网络具有强大的短时记忆容量, 对初始参数有较好的鲁棒性, 对时间序列预测问题的处理能力也比常规回声状态网络有显著提高.     

人脸活体检测综述

人脸活体检测是为了提高人脸识别系统安全性而需要重点研究的问题.本文首先从人脸活体检测的问题出发, 分个体、类内、类间三个层面对人脸活体检测存在的困难与挑战进行了阐述分析.接下来, 本文以算法使用的分类线索为主线, 分类别对人脸活体检测算法及其优缺点进行了梳理和总结.之后, 本文就常用人脸活体检测数据集的特点、数据量、数据多样性等方面进行了对比分析, 对算法评估常用的性能评价指标进行了阐述, 总结分析了代表性人脸活体检测方法在照片视频类数据集CASIA-MFSD、Replay-Attack、Oulu-NPU、SiW以及面具类数据集3DMAD、SMAD、HKBU-MARsV2上的实验性能.最后本文对人脸活体检测未来可能的发展方向进行了思考和探讨.     

基于点对相似度的深度非松弛哈希算法

哈希学习能够在保持数据之间语义相似性的同时, 将高维数据投影到低维的二值空间中以降低数据维度实现快速检索. 传统的监督型哈希学习算法主要是将手工设计特征作为模型输入, 通过分类和量化生成哈希码. 手工设计特征缺乏自适应性且独立于量化过程使得检索的准确率不高. 本文提出了一种基于点对相似度的深度非松弛哈希算法, 在卷积神经网络的输出端使用可导的软阈值函数代替常用的符号函数使准哈希码非线性接近-1或1, 将网络输出的结果直接用于计算训练误差, 在损失函数中使用$\ell_1$范数约束准哈希码的各个哈希位接近二值编码. 模型训练完成之后, 在网络模型外部使用符号函数, 通过符号函数量化生成低维的二值哈希码, 在低维的二值空间中进行数据的存储与检索. 在公开数据集上的实验表明, 本文的算法能够有效地提取图像特征并准确地生成二值哈希码, 且在准确率上优于其他算法.     

基于一致性敏感哈希块匹配的HDR图像去伪影融合方法

高动态范围(High dynamic range, HDR)图像成像技术的出现, 为解决由于采集设备动态范围不足而导致现有数字图像动态范围有限的问题提供了一条切实可行的思路.合成高动态范围图像的过程中因相机抖动或运动物体所造成的模糊和伪影问题, 可通过块匹配对多曝光图像序列进行去伪影融合加以解决.但对于具有复杂运动变化的真实场景, 现有的去伪影融合方法准确度和效率仍存在不足.为此, 本文结合相机响应函数和一致性敏感哈希提出了一种高动态图像去伪影融合方法.仿真结果表明, 该方法有效降低了计算复杂度, 具有较好的鲁棒性, 在有效去除伪影的同时提升了高动态范围图像质量.     

基于多尺度先验深度特征的多目标显著性检测方法

显著性检测是近年来国内外计算机视觉领域研究的热点问题,在图像压缩、目标识别与跟踪、场景分类等领域具有广泛的应用.针对大多显著性检测方法只针对单个目标且鲁棒性不强这一问题,本文提出一种基于深度特征的显著性检测方法.首先,在多个尺度上对输入图像进行超像素分割,利用目标先验知识对预显著区域进行提取和优化.然后,采用卷积神经网络提取预选目标区域的深度特征.对高维深度特征进行主成分分析并计算显著性值.最后,提出一种改进的加权多层元胞自动机方法,对多尺度分割显著图进行融合优化,得到最终显著图.在公开标准数据集SED2和HKU_IS的实验表明,与现有经典显著性检测方法相比,本文方法对多显著目标检测更准确.     

基于深度学习的高噪声图像去噪算法

为了更有效地实现高噪声环境下的图像去噪,本文提出一种基于深度学习的高噪声图像去噪算法.该算法首先采用递增扩充卷积并且融合批量标准化和Leaky ReLU函数对输入含噪图像进行特征提取与学习;然后通过结合递减扩充卷积和ReLU函数对提取的特征进行图像重构;最后通过整合残差学习和批量标准化的端到端网络实现图像与噪声的有效分...     

基于状态估计反馈的策略自适应差分进化算法

借鉴闭环控制思想, 提出基于状态估计反馈的策略自适应差分进化(Differential evolution, DE)算法, 通过设计状态评价因子自适应判定种群个体所处于的阶段, 实现变异策略的反馈调节, 达到平衡算法全局探测和局部搜索的目的.首先, 基于抽象凸理论对种群个体建立进化状态估计模型, 提取下界估计信息并结合进化知识设计状态评价因子, 以判定当前种群的进化状态; 其次, 利用状态评价因子的反馈信息, 实现不同进化状态下策略的自适应调整以指导种群进化, 达到提高算法搜索效率的目的.另外, 20个典型测试函数与CEC2013测试集的实验结果表明, 所提算法在计算代价、收敛速度和解的质量方面优于主流改进差分进化算法和非差分进化算法.     

基于全卷积网络的中小目标检索方法(201909撤稿)

基于预训练卷积神经网络(convolutional neural networks, CNNs)的图像表示已成为图像检索任务中一种新的方法,但是这种图像表示方法均是对图像的整体特征表示,无法适用于目标仅占被检索图像的部分区域的检索.为了解决该问题,提出一种基于全卷积网络的中小目标检索方法,该方法将预训练全卷积网络应用于目标较小、仅占被检索图像部分区域的检索.1)利用全卷积网络对输入图像大小不受限制的优势,给定被检索图像,经过全卷积网络得到该图像的特征矩阵表示;2)给定查询目标图像,利用全卷积神经网络,得到目标图像的特征表示;3)将目标特征,与被检索图像的特征矩阵的每一个特征进行相似性比对,得到相似值和匹配最优位置.进一步引入多尺度、多比例变换以适用不同大小的实例目标.在标准数据集Oxford5K上的实验表明:该算法的检索性能优于现有算法.另外,在搜集的Logo数据集,该算法得到了不错的检索效果,进一步验证了算法的普适性和有效性.     

复杂无向网络连通性的一种高效判定算法

通信网络的拓扑结构连通性是多智能体系统一致性控制或编队控制等的理论前提.以往, 各种多智能体系统一致性控制或编队控制方面的文献仅侧重于控制协议、智能体动力学模型和控制律设计, 而缺乏对多智能体通信网络拓扑结构的连通性研究.网络连通性高效判定算法不仅是大规模多智能体系统一致性控制或编队控制的保证, 而且在图论、现代移动通信、计算机与交通等各种网络中有着重要和广泛的应用.针对复杂无向网络的连通性问题, 本文给出了一种新的高效判定算法、以及该算法的时间复杂度和空间复杂度的上界.该算法具有非常低的时间复杂度和空间复杂度, 且便于计算机实现, 因而具有重要的理论意义和广泛的实用价值.     

基于自学习中枢模式发生器的仿人机器人适应性行走控制

为了克服传统中枢模式发生器(Central pattern generator, CPG)关节空间控制方法的复杂性和局限性, 本文基于自学习中枢模式发生器模型, 提出了一套在线调制和融合多传感器信息的仿人机器人环境自适应行走控制方法.算法难点在于如何在机器人的工作空间将自学习CPG用于工作空间轨迹生成, 并使CPG参数直接和步态模式相关联.本文提出了利用自学习CPG来学习和实时生成机器人质心轨迹和脚掌轨迹的方法, 在线调节机器人步长、抬腿高度和步行速度等关键参数.参考生物反射行为, 利用传感反馈信息激发CPG以产生具有环境适应性的工作空间轨迹, 提升行走质量. 控制系统的参数通过优化算法来进一步改善行走性能.相比于传统的CPG关节空间法, 本文所采用的自学习CPG工作空间法不仅极大简化了CPG网络结构而且提高了仿人机器人行走的适应性.最后, 通过仿人机器人坡面适应性行走的仿真和实验, 验证了所提出控制策略的可行性和有效性.