梳理“基因表达”教学误区

本文针对“基因表达”教学中存在的多点误区进行了错因分析。

基于VGG16预编码的遥感图像建筑物语义分割

深度卷积神经网络在遥感图像语义分割研究上开创了新的领域。利用改进的U-net模型对建筑物区域进行像素级提取,可获取其轮廓和尺寸信息。利用强可迁移性的VGG16网络作为U-net模型的编码器,并利用基于空洞卷积的级联并行模块提取多尺度的高层语义信息,同时使用转置卷积实现上采样,逐步还原分割细节。实验采用了加权组合的Jaccard损失和二元交叉熵损失作为总损失函数。实验结果表明了改进的U-net模型对遥感图像中建筑物的分割提取具有更高的精度,均像素精度(MPA)、均交并比(MIoU)和F1分数分别为92. 16%、78. 55%和84. 81%。改进模型的F1分数比Deep Labv3+模型高4. 8%,比标准U-net模型高8. 3%。

基于改进DetecNet网络的航空图像车辆检测

针对航空图像的目标检测,传统的目标检测方法速度慢且精度低,利用深度学习技术来实施航空图像目标检测是新的研究方向。利用YOLO、Faster R-CNN等算法进行航空图像的车辆检测存在漏检率和误检率较高的诸多问题,因为这些算法在设计上更适合于自然图像的目标检测,而航空图像跟自然图像有明显的区别。针对这些问题,论文利用改进的DetectNet网络实施航空图像的车辆检测。论文通过三种方法来改进DetectNet网络。一是合理标注边界样本以提高训练数据集的质量。二是利用两个3×3卷积核替换单个5×5卷积核来降低训练参数并同时加深模型深度。三是利用学习率指数递减策略来防止模型陷入局部最优解。改进实验的mAP值从56.4%提高到66.4%,证明了改进后的模型的检测精度更高。

基于特征优化与最优拼接缝的视差图像拼接

为了解决图像拼接过程中在图像配准和图像融合中产生的误对齐、重影及重要目标扭曲的问题,提出了一种基于特征优化与最优拼接缝寻找的视差图像拼接算法。通过投影偏差服从正态分布的准则进行特征点的筛选,对于优化的特征点使用直接线性变换的最小二乘法获得全局变换矩阵,改进传统缝切割的能量函数,在重叠区域应用图割理论寻找符合人眼显著性感知的拼接缝,最后使用多波段融合技术实现图像的融合。实验表明,该算法可实现局部区域的良好对齐,并有效避免穿过显著目标,能够获得高质量的拼接结果图。

基于全局最优变换矩阵的图像拼接方法

针对目前图像拼接在重叠区域出现重影、误对齐,非重叠区域的透视失真问题,提出了最优单应性矩阵的视差图像的图像拼接算法。首先根据待拼接图像的特征点分布和匹配点的对齐误差获得最佳全局单应性矩阵;再利用RANSAC算法计算全局最优相似变换矩阵,并结合最优单应性矩阵获得输入图像的形变图像;最后利用最佳拼接缝搜索算法获取最优拼接缝,加权融合图像;实验表明:基于最优矩阵的拼接算法有效避免穿过重叠区域的重要目标,减缓非重叠区域的透视失真,拼接效果更加自然真实。

基于改进阶梯网络的高光谱半监督分类算法

针对现有基于阶梯网络(LN)的高光谱图像分类算法无法充分提取图像的空谱特征而导致分类精度降低的问题,提出一种基于改进阶梯网络的高光谱半监督分类算法。首先将三维卷积神经网络(3D-CNN)与长短时记忆(LSTM)网络结合,提出一种新的空谱特征提取(3D-CNN-LSTM)网络,使用该网络分步提取局部空间特征与光谱特征。然后使用3D-CNN-LSTM网络对阶梯网络的编码器与解码器进行改进,提出一种3D-CNN-LSTM-LN半监督分类算法,增强阶梯网络的特征提取能力。最后在Pavia University和Indian Pines两个数据集上对不同算法进行实验。实验结果表明,在小样本条件下,所提算法取得了最佳的分类效果,验证了所提算法具有优越性。