融合多注意力机制的光学遥感图像目标检测方法

针对光学遥感图像因目标尺度差异大、目标分布密集和背景复杂所导致的检测效果不佳的问题,提出了一种融合多注意力机制的遥感目标检测方法。设计了一种自适应感受野大小的坐标注意力模块,以加强网络对多尺度目标特征的提取能力,提升网络对复杂背景下目标的定位效果。基于Swin Transformer自注意力机制模块改进了YOLOv5网络的预测头,增强了网络对密集分布目标的识别能力。在DOTA公开遥感图像数据集上进行训练与测试,实验对比结果表明,所提方法在检测精度上比YOLOv5网络提高了3.6%,且优于多类典型对比方法;在Nvidia GTX 1080Ti平台上检测速度达49帧/s,证明该方法具有较好的实时检测能力。

HourglassNet:一种用于遥感目标检测的改进FCOS算法

针对遥感图像中背景复杂、目标分布密集、目标尺度形态多样等问题,该文在单阶段全卷积(FCOS)目标检测模型的基础上,基于沙漏特征金字塔并且与多尺度上下文场景结合,提出了沙漏网(HourglassNet)。针对卷积神经网络(CNN)中不同深度语义信息和空间信息不均衡的问题,提出了一种沙漏特征金字塔,通过将多尺度特征缩放至中间尺度进行融合和优化以获得全局特征。基于注意力机制将全局特征向不同尺度特征传递,在抑制无关特征的同时增强了有效特征,实现了对多尺度特征的补偿。为了将高层特征的语义信息更加充分地融入不同尺寸的特征图内,设计了多尺度上下文融合模块。利用适当的感受野提取高层特征的上下文信息,提升了特征的鲁棒性和辨识性。分别在DOTA v1.5和NWPU VHR-10公开遥感图像数据集上进行了性能对比与消融实验。结果表明,该文算法的均值平均精度(mAP)相比于FCOS在DOTA v1.5和NWPU VHR-10数据集上分别提升了4.3%和3.4%,且检测性能优于YOLOv3等其它对比方法。

关于事业单位资产管理问题及改进措施探析

在事业的资产管理中,由于事业单位工作性质特点,随之而来的问题也有增加。针对事业单位资产领域里出现的问题,我们只有积极地给予解决,才能够有效地提高事业单位资产的使用效率,保证事业单位资产的安全和完整,进而达到对事业单位资源的有效优化配置。本文就从事业单位固定资产管理中存在的问题、提高事业单位固定资产管理水平的措施为思路,在管理中提高对事业单位的管理水平。