基于深度可分离残差网络的遥感影像路网检测

从高分辨率遥感影像中提取并检测路网一直都是计算机视觉研究的热点和难点。目前,基于深度学习的遥感影像路网检测方法大部分都是以卷积运算为基础的卷积神经网络,而以深度可分离卷积运算为基础深度可分离卷积神经网络作为以卷积运算为基础的卷积神经网络的替代神经网络,不仅在特征提取能力上优于卷积神经网络,而且在参数量和计算量方面也低于卷积神经网络。鉴于此,该文利用深度可分离卷积运算替换卷积运算,并引入残差模块,构造了深度可分离残差网络进行遥感影像的路网自动检测的应用。实验结果表明,在RRSI和CHN6-CUG数据集上,虽然深度可分离残差网络的准确率和损失与相对应的卷积神经网络和残差网络的准确率和损失的区别不大,但是深度可分离残差网络的训练耗时时长远远低于相对应的卷积神经网络和残差网络的训练耗时时长,而且深度可分离残差网络的路网检测实际结果也优于相对应的卷积神经网络和残差网络的路网检测实际结果。

深度单峰梯形神经网络

近年来,深度学习在许多领域取得了巨大的成功,其中,激活函数是深度学习取得巨大成功的关键因素之一。根据生物神经元特性,针对ReLU右侧响应无界问题,提出了单峰梯形线性单元(Single-Peaked Trapezoid Linear Unit,SPTLU)。SPTLU更加符合生物神经元特性,且取得了等同和超越ReLU的优异性能,实验表明在不同数据集上都取得了很好的效果,例如,数据集MNIST,Fashion-MNIST,SVHN,CALTECH101和CIFAR10。

高维Ramsey数问题

Paul Erdös和Noga Alon等人给出了一般意义的Ramsey数理论,本文通过概率方法给出了高维情况下的Ramsey数理论及其推广的一般形式。给出了等概率2-着色情况:当k=l时Rd(k,k)的下界结果;当k与l有区分时Rd(l,k)的下界结果。给出了等概率3-着色情况:当k=l=m时Rd(k,k,k)的下界结果;当k,l,m有区分时Rd(l,k,m)的下界结果。给出了r-着色情况下:当k1=k2=...=kr时Rd(k,k,...k)的下界结果;当k1,k2,...,kr有区分时Rd(k1,k2,...,kr)的下界结果。最后又给出了不等概率时上述各种情况下的相应结果。