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%。     

融合多尺度和多头注意力的医疗图像分割方法

为了从医疗图像中自动且准确地提取兴趣区域,提出基于神经网络的分割模型MS2Net.针对传统卷积操作缺乏获取长距离依赖关系能力的问题,为了更好提取上下文信息,提出融合卷积和Transformer的架构.基于Transformer的上下文抽取模块通过多头自注意力得到像素间相似度关系,基于相似度关系融合各像素特征使网络拥有全局视野,使用相对位置编码使Transformer保留输入特征图的结构信息.为了使网络适应兴趣区域形态的差异,在MS2Net中应用解码端多尺度特征并提出多尺度注意力机制.对多尺度特征图依次应用分组通道和分组空间注意力,使网络自适应地选取合理的多尺度语义信息. MS2Net在数据集ISBI 2017和CVC-ColonDB上均取得较U-Net、CE-Net、DeepLab v3+、UTNet等先进方法更优的交并比指标,有着较好的泛化能力.     

基于改进的DUNet遥感图像道路提取

为进一步提高遥感图像道路提取的精度,提出一种改进的DUNet遥感图像道路提取方法。在编码器部分,为使网络关注道路信息,在第3个池化层分别使用有注意力机制和没有注意力机制两个分支提取道路特征;在解码器部分,同时使用传统UNet的解码器和DUNet解码器两个分支进行上采样,最大限度减少信息丢失。试验结果表明,与其他8种常用的分割模型结果相比,此方法在Massachusetts和DeepGlobe 2018数据集上都获得最高的平均交并比和平均Dice系数,其中平均交并比最高分别提高2.90%和8.99%,平均Dice系数最高分别提高2.53%和7.66%。这表明改进的DUNet能够有效实现遥感图像的道路提取,与传统DUNet相比,在小路区域的分割效果得到提升,进一步提高了传统DUNet的分割精度。     

基于多尺度融合的遥感图像变化检测模型

为精准识别双时相遥感图像的变化区域,提出了一种基于多尺度融合的遥感图像变化检测模型。该模型在源图像特征提取阶段构造多尺度输入金字塔,接受多层次的感受野,增强对特征信息的感知;并通过对深层差异特征进行多尺度计算,实现精准定位变化区域与充分挖掘细节信息间的平衡;同时融合网络不同层级的差异特征检测结果,极大程度识别并保留语义变化信息。实验结果表明：本文模型在主观评价与客观指标上都具有良好的表现效果。     

基于多级特征级联的遥感图像实时语义分割

针对遥感图像语义分割中存在的分割耗时长、分割小目标不准确的问题,提出基于多级特征级联的高分辨率遥感图像快速语义分割模型(multi-level feature cascade network,MFCNet).该模型主要由特征编码、特征融合以及目标细化3部分组成.特征编码对输入的不同分辨率图像用不同量级主干网络进行特征提...     

多特征融合和孪生注意力网络的高分辨率遥感图像目标检测

为提高高分辨率遥感图像目标检测效果,本文将多特征融合方法和孪生注意力网络相结合,提出一种新的目标检测方法。构建遥感图像目标检测的整体框架,基于锚框模型对遥感图像目标进行多层特征的提取及融合;运用孪生注意力网络对遥感图像目标实时视觉跟踪检测,引入通道和空间的双重自注意力机制,提高目标图像的特征表达能力,由此得到更加精准的检测结果。实验分析结果表明,本文方法的平均总体精度为93.8,F1指数平均值为0.88,Kappa系数平均值为0.93,均明显高于对比方法,说明本文方法具有较好的检测效果。     

联合多尺度与注意力机制的遥感图像目标检测

遥感图像存在背景复杂、目标尺度差异大且密集分布等不足,为提高现有算法的检测效果提出联合多尺度与注意力机制的遥感图像目标检测算法. 改进空洞空间金字塔池化模块,增大不同尺寸图像的感受野;提出注意力模块用于学习特征图通道信息和空间位置信息,提升算法对复杂背景下遥感图像目标区域的特征提取能力;引入加权双向特征金字塔网络结构与主干网结合来增进多层次特征的融合;使用基于距离的非极大值抑制方法进行后处理,改善检测框易重叠的问题. 在DIOR和NWPUVHR-10数据集上的实验结果表明：所提算法的平均精度均值mAP分别达到71.6%和91.6%,相比于主流的YOLOv5s算法分别提升了2.9%和1.5%. 所提算法对复杂遥感图像取得了更好的检测效果.     

基于边缘流的多尺度水平集砾岩图像分割

针对边缘流方法检测图像边界得到的边界不连续问题,提出了把边缘流作为水平集方程中的一个变量,并将多尺度思想引入该方程.该方法首先在大尺度图像下得到相应尺度的边缘流矢量,将其代入水平集方程,通过求解水平集方程,找出图像目标边界的大致轮廓,然后利用大尺度所得到的大致轮廓作为高一级尺度的水平集方程的初始轮廓,计算相应的边缘流矢量,代入水平集方程求解,逐步进行轮廓优化,最终实现图像分割.采用该方法提取图像目标边界,不仅解决了边缘流方法中边界不连续的问题,也使水平集方法中曲线演化速度太慢的问题得到大大的改善.该方法用于砾岩图像分割,取得了较好的效果.     

基于多尺度的区域生长的图像分割算法

针对医学图像的特点,提出了一种多尺度区域生长分割算法。该算法首先利用高斯滤波器对原图像进行滤波处理,之后利用区域生长算法分别对原图像与平滑图像进行分割操作,最后将两个分割图谱进行比对,获得最终的分割结果。进行区域生长算法时,从背景区域选择一个像素作为初始种子点进行区域生长。该方法的优势为噪音具有较好鲁棒性,初始种子点选取规则简单。该方法同样适合于其他背景简单、目标区域复杂的图像分割情形。为了选取合适分割阈值,提出了最大梯度概念。利用图像的最大梯度矩阵的统计特性,将阈值选取问题转化为求最小值问题。实验表明,该方法能够准确地获得医学图像的分割结果。     

航空图像中基于DSM的多尺度树冠分割

提出了一种基于数字表面高程模型（DSM）和多尺度权聚类图像分割的算法。首先通过DSM选择需要分割的候选树冠顶点,利用航空摄影测量的方法将树冠顶点投影到航空相片作为种子点;然后对树冠进行分割,其方法是在一个全局分割测度的约束下,利用代数多网格的数值计算方法,逐步进行权聚类,形成多尺度的分割图像,通过不同的选权参数,获得有意义的分割区域,从多尺度的分割图像中,根据种子点所在位置和分割图像大小确定分割的树冠。经过实际图像验证,此算法能对不同角度投影的树冠进行有效分割。     

基于分维的遥感影像最佳分割尺度研究

针对面向对象的遥感技术中对象最优分割尺度难题,提出了基于分维的定量确定最优分割尺度算法。算法通过分析分维值变化规律和最优分割尺度之间的定量关系,发现分维值变化稳定区间与遥感对象最佳分割尺度范围相对应,因此可以通过对象分维-尺度关系,确定遥感对象的最佳分割尺度,一定程度上解决了最优分割尺度难于确定的难题。     

多尺度注意力密集连接网络的单幅图像去雨算法

为了获取更好的去雨效果,更好地保留图像纹理细节,设计了一个端到端的多尺度注意力密集连接网络,引入了多尺度注意力模块,通过不同的扩张卷积获得不同尺度下的雨条纹特征。设计了一个并行注意力蒸馏模块,结合通道注意力和子空间注意力机制来校准从多尺度采集获得的图像特征,然后消除冗余特征信息。整体网络架构采用密集连接跨层融合代替直接连接的方式,加强了特征重用,易于训练。结果表明,本方法在提升去雨性能的同时,改善了对于图像的细节保留。     

基于多级残差多尺度的医学图像分割网络

针对目前多数U型网络存在编码阶段卷积核尺度单一难以提取变化较大特征以及深层网络难以训练优化的情况,提出一种新的基于多级残差和多尺度的神经网络,利用多级残差使神经网络更易学习,提高网络的深度,使它在模型不退化的情况下拥有更丰富的特征表达能力,提出了了多尺度交叉融合模块,通过不同的感受尺度去提取特征,交叉融合也使得特征信息更加充分的交流和融合。网络在CHASE＿DB1数据集上进行测试,并进行数据对比,性能表现优良,特别是ACC达到了0.9744,SP达到了0.9876。提出的网络在增加深度的同时并不影响它的学习过程和表现效果。     

基于多尺度特征和注意力机制的轻量级虹膜分割模型

针对基于深度学习的虹膜分割模型存在参数量大、计算量大、占用空间大的问题,提出了一种轻量级的虹膜分割模型。首先,将Linknet中特征提取网络替换为改进的轻量级网络MobileNetv3。这种设计在保持准确性的同时显著地提高了模型效率。其次,为了减少虹膜特征信息丢失,设计了一个多尺度特征提取模块。再次,引入了通道注意力机制,抑制无关噪声,加大虹膜区域的权重。最后,在3个虹膜数据库上将本文模型与其他虹膜分割模型进行比较,结果表明,本文模型在虹膜分割准确率和效率之间取得了更好的平衡。     

基于FCN的图像语义分割算法研究

图像语义分割的传统方法是依靠人工设计提取特征,用机器学习的方法进行分类,来达到分割的效果,但是过程比较复杂,且最终的分割效果也不理想.为解决该问题,提出运用深度学习的方法自动提取图像中物体特征,实现端到端训练,并提升分割精度.采用的基础网络是ResNet-50,同时采用空洞空间金字塔池化模块进行有效的特征融合,并在最后...     

基于注意力机制的多尺度特征融合图像去雨方法

雨纹分布和形状具有多样性,现有去雨算法在去雨的同时会产生图像背景模糊、泛化性能差等问题.因此,本文提出一种基于注意力机制的多尺度特征融合图像去雨方法.特征提取阶段由多个包含两个多尺度注意力残差块的残差组构成,多尺度注意力残差块利用多尺度特征提取模块提取及聚合不同尺度的特征信息,并通过坐标注意力进一步提高网络的特征提取能力.在组内进行局部特征融合,组间利用全局特征融合注意力模块更好地融合不同层次的特征,通过像素注意力使网络重点关注于雨纹区域.在仿真和真实雨像数据集上与其他现有图像去雨算法相比,本文方法的定量指标有着明显提高,去雨后的图像视觉效果较好且具有良好的泛化性.     

基于多尺度联合分割的SAR图像电力线走廊变化检测

基于多尺度联合分割方法,提出一种SAR图像电力线走廊变化检测算法。该算法首先通过TurboPixels算法对多时相SAR图像电线塔走廊进行多尺度联合过分割,每个过分割区域即为一个"超像素";然后根据超像素区域的统计分布差异计算每个尺度上的差异度;最后融合多尺度差异,利用自动阈值提取最终的变化检测区域.实验结果表明该算法具有较为满意的变化检测效果.     

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.     

SAR图像分割的多尺度自回归滑动平均模型方法

给出了合成孔径雷达(synthetic aperture radar简称SAR)图像多尺度自回归滑动平均(multiscale autoregressive moving average简称MARMA)模型建模的一种新方法。研究了基于MARMA模型的SAR图像多尺度随机特征提取的方法，构造了相应的分类器．将这类方法用于实际SAR图像分割，并将MARMA模型与多尺度自回归(multiscale autoregressive简称MAR)模型的分割结果进行比较，说明SAR图像的MARMA模型分割方法优于MAR模型分割方法；最后给出了评价SAR图像分割结果的区域均匀性指标方法，实际应用结果表明该评价方法是有效的。