基于特征增强网络的交通场景图像语义分割

针对当前交通场景图像语义分割时,因特征信息提取不足导致分割精度低的问题,提出了特征增强网络(EFN).首先将网络ResNeXt-101中卷积层5-3的输出输入到多尺度特征注意力模块中进行有针对性的特征提取;然后输出结果与卷积层2-3、卷积层3-3和卷积层4-3提取的特征图通过特征融合模块进行高效的特征融合,最后利用上采样得到图像分割结果。在数据集CamVid上的实验结果表明特征增强网络可有效提高交通场景图像语义分割的精准度。

17条算法,帮“望子成龙”的父母和小伙伴们走出困惑!

中国的爸爸妈妈们,是世界上焦虑指数遥遥领先的群体。据统计,超过三分之一的爸爸妈妈把他们全部时间都花在了孩子身上,投入更是不惜血本,无形中也让孩子承担起全家巨大的压力。但匪夷所思的是,据调查,多数父母没有阅读过育儿相关经典,或自己参加过各种育儿培训,甚至连微信上的教育类文章都嫌长而不愿阅读。为什么头等大事却如此草率处理?为什么给我们成长成才可以投入天多的钱,却不愿意自己投入少量的时间和精力?为什么非要等孩子出情况了才临时抱佛脚,找老师或心理医生救急?是心懒吗?为什么爸爸妈妈们宁愿看宫斗剧、打双升,也不愿意花一点点时间提升自己的育儿技能呢?

跨层细节感知和分组注意力引导的遥感图像语义分割

目的 语义分割是遥感图像智能解译的关键任务之一,遥感图像覆盖面广,背景交叉复杂,且地物尺寸差异性大。现有方法在复杂背景下的多尺度地物上分割效果较差,且分割区域破碎边界不连续。针对上述问题,提出了一种跨层细节感知和分组注意力引导的语义分割模型用于高分辨率遥感图像解析。方法 首先采用结构新颖的ConvNeXt骨干网络,编码输入图像的各层次特征。其次,设计了分组协同注意力模块,分组并行建模通道和空间维度的特征依赖性,通道注意力和空间注意力协同强化重要通道和区域的特征信息。接着,引入了自注意力机制,构建了跨层细节感知模块,利用低层特征中丰富的细节信息,指导高层特征层学习空间细节,保证分割结果的区域完整性和边界连续性。最后,以山西省太原市为研究区域,自制高分辨率遥感太原市城区土地覆盖数据集(Taiyuan urban land cover dataset,TULCD),所提方法实现了太原市城区土地覆盖精细分类任务。结果 实验在自制数据集TULCD和公开数据集Vaihingen上与最新的5种算法进行了比较,所提方法在两个数据集上平均像素准确率(mean pixel accuracy,mPA)为74.23%、87.26%,平均交并比(mean intersection over union,mIoU)为58.91%、77.02%,平均得分mF_(1)为72.24%、86.35%,均优于对比算法。结论 本文提出的高分辨率遥感图像语义分割模型具有较强的空间和细节感知能力,对类间差异小的相邻地物也有较强的鉴别能力,模型的整体分割精度较高。