基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中,许多深度学习网络未能充分考虑局部点之间的复杂关系,导致大量空间几何信息丢失.针对该问题,提出了一个强化局部特征的网络,用于点云的目标分类和语义分割.该网络通过设计编码单元对点的多方向信息进行编码;通过注意力机制学习采样分组后形成局部点云的特征.同时提出了一种新的多维损失函数,结合使用交叉熵损失函数与...     

利用深度残差网络的高分遥感影像语义分割

遥感影像分割是影像解译与分析的必要过程,随着深度学习在特征表达上的优势逐步显现,以深度网络为基础模型的影像语义分割已成为自动分割的主要研究趋势.该文提出了一种基于深度残差网络的多尺度语义分割模型,旨在针对小样本遥感影像数据集,提高具有不同尺度分割对象的遥感影像分割精度.首先将深度残差网络以全卷积网络形式进行微调,实现端到端语义分割模型结构构建;然后针对全卷积网络粗糙分割输出的问题,引入Atrous卷积精细化模型上采样过程,进而提高输出标签图精度;最后针对小样本数据进行随机多尺度数据增强,通过样本扩充提高模型分类精度和鲁棒性.试验基于ISPRS 2D Vaihingen语义分割数据集,影像分割结果的分类精度达到89.7%,尤其在小尺度对象上具有较好分割效果.     

结合transformer多尺度实例交互的稀疏集目标检测

为改进稀疏集目标检测方法存在的特征图缺乏空间细节信息、目标特征没有做到全局上下文实例交互、全局语义信息没有得到充分学习等问题，设计了一种结合自适应特征增强和实例特征交互的稀疏集目标检测算法。自适应特征增强模块在特征提取过程中利用不同尺度的池化和卷积来丰富高级语义信息，减小低级语义信息背景噪声的干扰，降低目标错检率和漏检率。实例特征交互模块在边界框回归设计中结合transformer的多层注意力，并融合通道注意力和动态卷积网络对建议框的通道信息进行增强，改善了目标的边缘信息，提高了网络的实例特征交互效率。最后在COCO2017数据集与原始网络进行实验对比，平均精度提升了4.2%，其中在大目标上提升了4.6%，在PASCAL VOC数据集上提升了2.7%。     

基于主动轮廓模型的序列图像分割

提出一种改进的主动轮廓模型应用于医学序列图像的分割。一方面,对内部能量函数增加约束性条件,制约轮廓的长度,使其尽可能短来避免边缘轮廓收敛到中垂线上的其它组织的较强边缘点;另一方面,利用序列图像之间局部区域的信息相关性,重新构造外部能量函数来排除纹理特征的干扰,更好地捕捉到边缘上的拐角点。实验结果表明,提出的改进算法既可以有效地检测出一些拐角点和凹点,又可以避免目标边缘收敛于某些伪边缘点,可达到良好的分割效果。     

一种多模特征融合的方面信息情感分类方法

在方面信息情感分类中针对使用循环神经网络编码长距离文本的信息丢失问题,以及使用注意力机制提取情感信息时倾向于关注高频信息偏置问题,提出一种多模特征融合的方面信息情感分类方法,区分单点、多点以及局部三类不同表达模式的情感信息,通过对三类情感信息有侧重的关注、提取与融合,实现各类特征间相互确认与纠错,降低信息丢失与关注偏置问题,达到增强复杂情感表达模式下的方面信息情感分类能力的目的。实验结果表明,使用所提出的方法对三类情感信息进行提取与融合,可以使方面信息情感分类任务在准确率和F1值指标上得到进一步提升。     

基于通道特征聚合的行人重识别算法

在基于深度学习的行人重识别算法中，通道特征易被忽视而导致模型表达能力降低。为此，以ResNeSt50为骨干网络，借鉴SENet通道注意力特点在残差块末尾接入SE block，增强网络对通道特征的提取能力；针对ReLU函数因缺少控制因子而限制不同通道特征图对激活值的准确响应问题，引入一个动态学习因子来丰富通道特征权重信息，以形成新的加权激活函数Weighted ReLU(WReLU)；基于分组卷积特征图局部而设计新的激活函数Leaky Weighted ReLU(LWReLU)，有效提高不同位置的深度特征表达能力；在Split-Attention和SE block中应用LWReLU，改善Split-Attention对各组特征图的权重学习能力；利用circle loss改进损失函数，优化目标收敛过程，从而提高模型精度。实验结果表明：在CUHK03-NP、Market1501和DukeMTMC-ReID数据集上，所提方法的Rank-1比原骨干网络分别提高了19.08%、0.98%、2.02%，且其m AP比原骨干网络分别提高了17.13%、2.11%、2.56%。     

迷彩设计中背景图像聚类方法的比较分析

迷彩设计中,通过对目标背景的图像信息进行归类处理,利用图像分割技术获取背景斑点,然后设计出与背景亮度和纹理相协调的迷彩图案. 目前,最常用的图像分割方法是均值聚类法,由于它直接利用灰度信息以致分割的细节不明显,容易导致模拟背景纹理失真. 针对它的不足,提出了采用基于自组织特征映射(self organizing feature map, SOFM)神经网络的分割方法对背景进行聚类分割. 该方法将整幅图像作为神经网络的输入,聚类分割后的颜色作为输 出,按照自组织特征映射网络的学习过程,使用其函数进行迭代运算直至学习停止. 比较实验结果表明,SOFM方法能更好地保留图像的细节纹理,得到较为理想的设计效果.     

一种融合双向LSTM和CNN的混合情感分析模型

针对现有文本情感分析方法实时性不强、难以应用到大规模文本、不能同时提取文本上下文信息和局部语义特征等问题，提出一种融合双向长短期记忆（LSTM）和卷积神经网络（CNN）的混合情感分析模型通过使用双向LSTM和CNN模型对由word2vec编码得到的文本词向量进行训练，运用注意力机制将双向LSTM模型学习到的特征作用于CNN模型上，并进行特征加权，最后将双向LSTM模型和CNN模型得到的结果进行拼接，由分类器得到相应的情感分类结果在NLPCC SCDL数据集上进行实验，结果表明所提出的融合双向LSTM和CNN模型在精度、召回、f1值和准确度方面优于两个单独的模型     

改进的多任务学习方法的眼底视盘分割与定位

提出了一种改进的多任务学习方法,网络的主结构由特征提取网络和分别进行视盘分割与视盘定位的双路径网络组成,通过端到端的训练与测试可以实现眼底图像视盘自动分割与定位相结合的多任务目的。在特征提取网络的编码阶段利用密集连接提取眼底图像视盘的上下文特征。视盘分割任务是依靠解码阶段逐步恢复原来的图像分辨率并获取整个视盘轮廓,视盘中心定位任务由空洞空间金字塔模块和金字塔池化模块来进一步提取视盘抽象特征,得到精准的视盘中心坐标。对350幅眼底图像进行了视盘分割和中心定位,实验结果表明:该方法自动分割的视盘结果与手动标注视盘区域的Dice系数为0.965,自动定位的视盘中心坐标与手动标记的视盘中心的平均绝对距离为0.191 mm(34.7像素)。     

基于奇偶交叉卷积的轻量级图像语义分割网络

传统轻量级图像语义分割网络中的跨步下采样卷积导致感受野呈现刺状分布，使得像素点利用率出现系统偏差，影响分割精度的提升。为此，针对传统的轻量级图像语义分割网络设计一种奇偶交叉卷积的下采样模块，在跨步奇数卷积模块前增加单步偶数卷积模块，在一定程度上缓解了刺状分布带来的不良影响，消除了分割网络中不同空间位置上像素利用率的偏差，最终提高了模型对像素点的分割精度。通过7种不同轻量级图像语义分割网络的对比可以看出，所提模型可以明显消除刺状分布，使分割网络的精度进一步提高，同时也证明了该模型适用于不同的轻量级网络，具有普适性。     

基于三重注意力机制的新冠肺炎病灶分割模型

为了解决感染区域比正常组织对比度低的问题,提出了一种基于三重注意力机制(triple attention mechanism,TAM)的新冠肺炎(corona virus disease 2019,COVID 19)病灶分割模型——TM-Net,并将其应用于条件生成对抗网络.MultiConv模块可以自动提取肺部切片中...     

基于注意力网络推理图的细粒度图像分类

针对场景图像的细粒度分类任务,结合图像视觉和文本的多模态信息提出了一种基于注意力网络推理图的细粒度图像分类方法.首先提取场景图像的全局视觉特征、局部视觉特征和文本特征,把位置信息分别嵌入局部视觉特征和文本特征后拼接成新的特征,再将这个新的特征作为图结构的节点生成一个异构图;然后设计两条元路径将异构图分解成两个同构图,并...     

面向对象的无人机影像地物分类

为了对农村用地进行有效分类,本文选取面向对象的分类方法,利用某农村的无人机航摄影像提取其土地类别信息。首先对无人机获取的原始影像进行预处理;然后对研究区反复进行分割实验,选取最优的分割尺度,在不同层次进行最优尺度地物分割;最后根据地物矢量、光谱、形状等特征差异,对最优分割尺度层上的地物进行最适宜的分类规则的建立,进而在每一层提取土地利用信息。利用单一尺度分割分类进行对比实验,选取734个样本进行精度验证,研究结果表明：多尺度多层次分割分类的总体分类精度可达84.20%,kappa系数为0.806 2;单一尺度分割分类总体精度仅为77.11%,kappa系数为0.721 4。由此可见,本文研究所采用的数据和区域内的类别的分类精度更高。     

结合上下文特征和图割算法的车载点云聚类方法

可靠、准确的点云聚类是后续高精度场景目标分析与解译的基础.该文提出了一种基于上下文特征和图割算法的车载点云聚类方法.首先用DBSCAN （density-based spatial clustering of applications with noise）对点云数据进行过分割，得到密度可达的超体素；然后引入空间和属性上下文特征来描述超体素间的关联，并用于定义超体素构建的图模型边的权值；最后基于多标记的图割优化算法得到最佳超体素聚簇.实验结果表明，该方法能够有效改善点云聚类过分割，从而提高聚类的精度.     

植物三维点云分割

针对植物点云具有形状不规则、密度不均匀的特点,提出一种适用于植物的三维点云分割方法。将烟草、玉米、黄瓜这3种植物作为样本数据,以滤波等预处理方法去除离群点与背景点,以欧氏聚类算法分割植物群体,并用区域增长算法、边缘提取算法、超体素聚类算法以及基于凹凸性的方法来分割叶片器官。将所提出的方法用于分割烟草、玉米的三维点云,其覆盖率分别为87.5%、96.9%,从而验证了该方法的可行性与有效性,为自动提取作物叶器官表型研究提供了线索。     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak,CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering,DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%,在计算效率和精度方面均优于其他两种方法。     

应用Krawtchouk矩和支持向量机的图像纹理分割

提出一种基于Krawtchouk矩和支持向量机的图像纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Krawtchouk矩,然后通过非线性变换将得到的矩值转换成纹理特征,对特征空间进行优化后,使用支持向量机进行纹理分割.和基于Zernike矩的纹理分割结果相比,本文的方法能得到更好的纹理分割结果.     

改进的CRNN模型在警情文本分类中的研究与应用

针对某市公安110接处警文本描述进行案件分类的需求，参考现有文本分类方法在其他行业的应用，搭建了应用于警情描述的文本分类系统.通过论证常见分类网络适用场合及其优缺点，结合对警情数据中案件描述特征的分析，提出了基于改进卷积循环神经网络的模型，该模型优化了关键特征提取过程，弥补了现有模型短文本局部特征提取不足的缺陷.实验表明，该模型的准确率比常见分类模型提升了2%~3%，且能够有效保证数据局部特征的关联性，可以对案件描述所对应的案件类型进行准确分类，从而提高公安接处警平台的自动化效率.     

视觉机制模拟中的局部参数自组织映射方法

为模拟视觉系统对彩色场景进行初步处理的机制,提出一种局部参数自组织映射方法. 以局部颜色均值、局部颜色对比度以及位置作为特征,用自组织映射进行分类,实现图像分割、边缘检测和轮廓分离等功能. 对仿真及自然彩色图像的实验结果表明,该方法能并行实现上述功能,将具有不同类型特征的部分映射到输出空间的不同位置,符合视觉系统的特征映射和并行处理的特性. 该方法为研究和模拟视觉系统的机制提供了参考,也可用于图像处理中的多任务并行处理.