基于SF-Unet的高分辨率耕地遥感影像分割

利用深度学习实现遥感影像耕地区域自动化检测,取代人工解译,能有效提升耕地面积统计效率。针对目前存在分割目标尺度大且连续导致分割区域存在欠分割现象,边界区域情况复杂导致边缘分割困难等问题,提出了语义分割算法——Swin Transformer, TransFuse and U-Net (SF-Unet)。为强化网络不同层次特征提取和信息融合能力,提升边缘分割性能,使用U-Net网络替代TransFuse网络中的ResNet50模块;将Vision Transformer (ViT)替换为改进后的Swin Transformer网络,解决大区域的欠分割问题;通过注意力机制构建的Fusion融合模块将2个网络输出特征进行融合,增强模型对目标的语义表示,提高分割的精度。实验表明,SF-Unet语义分割网络在Gaofen Image Dataset (GID)数据集上的交并比(Intersection over Union, IoU)达到了90.57%,分别比U-Net和TransFuse网络提升了6.48%和6.09%,明显提升了耕地遥感影像分割的准确性。     

暗流状态:网络文学新势力

网络文学好像从出现便以“另类”的态度区别于传统文学,这样的态度也合了文坛近年来一些作家喜欢用“民间”、“边缘”等词语把自己作品划分出来的风气,很不错的卖点,有利于流行。 网络写手的确手众多,通过网络,一些优秀的写作者迅速成名,但更多的同样颇有实力的写作者却处于一种“暗流”状态,他们没有被媒体热炒,他们的文字也没有印在纸上传播,而在网上一定范围内他们却有着很高的知名度,且被同样的写作者私下议论并暗中熟识。     

越野者行动

出发前的准备 今天的活动是探路,六辆车在回龙观超市外面集合。出发前做最后的检修,拿螺丝刀的人是王老师,右肩上一道红色疤痕是一个月前去宁夏时留下的。从超市买了好多食物路上吃,罗凯搬了整整一箱水,“一天下来差不多就喝完了”。     

边缘智能在轨道交通中的应用：前景与展望

边缘智能作为一项新兴技术,正受到国内外学者的广泛关注,其作为人工智能技术与边缘计算技术的结合,有望促进人工智能技术在各行业的部署,加速产业智能化进程。该文首先介绍了边缘智能技术的基本原理、系统架构及其比较优势,梳理了边缘智能技术的国内外研究现状;分析了边缘智能在轨道交通建设工程、运维调度、智能控制、改造升级的全生命周期应用前景,详述了边缘智能技术在轨道交通过程管理控制、建设现场数据采集分析、信息共享、智能运维、智能调度、自动驾驶系统、列车协同控制及改造升级等全生命周期中的赋能作用。该文随后设计与实现了轨道交通智能运行控制为背景下的边缘智能平台,测试基于深度学习和强化学习的边缘智能应用的功能及性能。最后,归纳了边缘智能技术在轨道交通领域应用的问题与挑战。该文的研究期望为轨道交通领域的边缘智能应用提供有益的借鉴和实践基础。     

2乘2取2安全计算机关键算法的设计与实现

该文提出了2乘2取2结构安全计算机2取2双机任务同步、2取2双机数据比较以及通道之间无扰切换等关键算法的一种可行方案。通过实验室测试和实验现场试验,证明该文所述设计方案的正确性、可行性和有效性。     

基于VSA-UNet的电气设备紫外图像分割

提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。由于存在噪声干扰与紫外光斑形状、大小不规则等问题,目标分割区域存在过分割和欠分割现象,因此提出一种基于多模块的VSA-UNet(VGG16Net, Improved SENet, and ASPP based U-Net)分割网络。为强化网络特征提取能力,减少过分割现象,使用VGG16Net的卷积层代替U-Net网络的编码部分;将编码部分末端卷积层替换成空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块,获取紫外图像的多尺度信息,解决大区域的欠分割问题;在跳跃连接部分加入改进SENet模块,加强有用信息的提取,补充细节损失,提升整体网络性能。基于自建紫外图像数据集的实验表明,改进网络在分割紫外图像时平均交并比(Mean Intersection over Union, MIoU)达到81.78%,平均精确率为95.97%。与U-Net网络相比,提出的VSA-UNet模型明显提升了紫外图像分割的准确性。     

基于改进DeepLabv3+模型的电力线语义分割方法

在无人机智能电力巡检中,电力线分割是实现无人机自动避障、保障低空飞行安全的关键技术。针对现有基于深度学习的电力线分割算法存在的预测速度慢、分割精度低的问题,提出了一种改进DeepLabv3+算法的电力线分割模型——PBB-DeepLabv3+。用轻量级PP-LCNet替换原始DeepLabv3+主干网络Xception,有效减少参数量并提升预测速度。在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块中增加空洞卷积分支和级联卷积,获取具有更大感受野的多尺度特征从而减少漏分割现象,进一步将空洞卷积分支改为瓶颈结构以减少参数量。在解码器融合3层浅层特征以恢复降采样过程中丢失的细节特征。引入瓶颈注意力模块(Bottleneck Attention Module, BAM)减少对电力线误分割现象。实验结果表明,改进算法预测速度相对于原DeepLabv3+模型提升54.39%,平均像素精度(Mean Pixel Accuracy, MPA)和平均交并比(Mean Intersection over Union, MIoU)分别提升1.18%和3.5...