借助Google街景看樱花美景

春暖花开,很多朋友都有出国游玩的愿望,可惜受到诸多因素制约不能成行。其实,可以借助Google街景直接赏玩世界风景名胜。例如想要欣赏日本的樱花美景,可以访问http://www.google.     

利用SOSO街景地图快速生成导航路线

对于拥有智能手机的朋友来说尤其是近期推出的街景版本更是实用,其实我们在浏览街景的过程中,还可以快速生成导航路线。 浏览街景时,点击右下角的箭头按钮（如图）,在出现的菜单中选择“设为终点”,接下来在随后的界面选择是乘坐公交还是自驾车,搜索之后,很快就可以得到从当前位置到该街景区域的详细出行路线。在接下来的界面中点击“开始导航”按钮,稍等片刻,导航工作就会正式开始。     

面向三维街景重构的立体平行拼图自动生成算法

针对目前已有的多视点拼图技术只注重其二维展示效果,而未考虑三维重构的问题,提出一种面向三维街景重构并结合纹理与深度信息的立体平行拼图(SPM)技术及其生成算法.通过深度信息获得图像场景的平面拟合结果;以最大涵盖建筑物正面和侧面为选取标准,根据平面的参数与位置选出用于拼接的关键视图;基于双缝合线与泊松融合技术对相邻关键视图进行拼接和融合,得到平滑无缝的SPM.实验结果证明,SPM中的纹理拼图具有较好的二维街景展示效果,更主要的是其结合深度信息能够完成街景的三维重构,可为用户提供自由漫游的虚拟城市环境.     

把街景拍成盆景

同事是个摄影发烧友兼骨灰级足球迷,最近买了个移轴镜头,用来拍街景和球赛。这镜头也真神奇,不管是大街上的行人,还是赛场上的球员,一个个拍出来都跟微缩盆景似的,那效果真是奇特得让人垂涎三尺啊!可惜我口袋里没钱,想把街景拍出盆景效果,只能耍点小花招喽!     

自适应调控卷积与双路信息嵌入的城市街景实例分割

城市街道场景实例分割是无人驾驶不可忽略的关键技术之一,针对城市街景实例密集、边缘模糊以及背景干扰严重等问题,提出一种自适应调控卷积与双路信息嵌入的城市街景实例分割模型RENet.首先使用自适应调控卷积替代原有的残差结构,利用可变形卷积学习空间采样位置偏移量,提高模型对图像复杂形变的建模能力,同时对多分支结构进行通道混洗以加强不同通道间的信息流动,并应用注意力机制实现通道权重的自适应校准,提高模型对复杂场景下模糊、密集目标的分割精度;然后设计低维空间信息嵌入分支,对不同尺度特征图进行空间信息激励与重编码,在抽象语义特征中嵌入低维空间信息,提高模型轮廓分割准确性;最后引入高级语义信息嵌入模块,实现特征图与语义框的对齐,弥补特征图间语义与分辨率的差距,提高不同尺度下特征信息融合的有效性.在自建数据集上的实验结果表明,与原始YOLACT网络模型相比,RENet模型在复杂街道背景下的平均分割精度最高达到51.6%,提高了10.4个百分点;网络推理速度达到17.5帧/s,验证了该模型的有效性和在工程中的实用性.     

基于街景大数据的北京、上海街景舒适度评价及比较

基于环境舒适度的理论扩展和街景大数据的应用实践,在城市尺度下对北京和上海2座城市的街景在舒适度感知、影响舒适度的元素以及城市间街景舒适度分布差异方面进行探讨.采用图像语义分割技术,依据街景元素构成特征,通过聚类方法对其进行分类,而后通过网络问卷收集街景舒适度的主观评价.通过相关性分析及数据对比,成功建立了人们对于街景的...     

基于GIS的街景空间品质可视化研究——以徐州三环内故黄河沿岸街道为例

城市街道空间与居民的日常行为紧密相关,其品质提升是城市微更新研究的重点.随着机器学习与可视化表达技术的成熟,街景图像成为研究街道空间品质新的数据来源.本文选取徐州市城区内故黄河两侧街道作为研究对象,采用街景图像为基础数据,分析滨河街道空间品质和影响因素,期望研究结论能够为城市街道微更新提供参考意见.另外,研究还通过街景...     

基于高度有效驱动注意力与多层级特征融合的城市街景语义分割北大核心CSCD

针对DeepLabv3+网络在进行城市街景图像分割任务时,没有充分利用到网络中多层级特征信息,导致分割结果存在大目标有孔洞、边缘目标分割不够精细等不足;并且考虑到城市街景数据具有天然的空间位置特殊性,本文提出在DeepLabv3+网络的基础上引入高度有效驱动注意力机制(height-driven efficient attention model,HEAM)与多层级特征融合模块(multi-stage feature fusion model,MFFM),将HEAM嵌入特征提取网络与空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)结构中,使其对目标关注更多垂直方向上的空间位置信息;MFFM通过融合多层特征图,在网络中形成多条融合支路依次连接到网络解码端,采用逐次上采样提高解码时像素上的连续性。将改进的网络通过CamVid城市街景数据集验证测试,实验结果表明,该网络能有效改善DeepLabv3+的不足,并且合理运用了数据集的位置先验性,增强了分割效果,在CamVid测试集上平均交并比(mean intersection over union,MIoU)达到了68.2%。