慢特征分析引导的多级注意力自编码器遥感图像变化检测

遥感图像变化检测是识别和量化地表变化的一种重要途径,是遥感技术的主要应用之一。然而在不同光照、季节等成像条件下获取的遥感图像中,同一物体会表现出不同的外观,使得变化检测算法难以准确判别真实地表变化。针对此问题,提出了基于慢特征分析引导的多级注意力自编码器(SFAMAA)遥感图像变化检测方法。首先,设计了一种U型卷积自编码器并引入多级通道注意力机制,扩大网络感受野的同时使其聚焦重要通道的信息,增强网络对全局信息和变化信息的感知能力;然后,设计了一种慢特征分析损失函数引导网络训练,使得网络可以有效抑制因成像条件差异导致的伪变化。在公开数据集SZTAKI上进行试验验证,试验结果表明,本文方法可有效抑制噪声和伪变化,对不同光照、季节等成像条件下获取的遥感图像具有较高的精度和良好的稳健性。

基于注意力机制修正网络的行人属性识别

针对现有行人属性识别方法模型复杂,识别性能较低的问题,提出一种端到端的行人属性识别方法。构建注意力机制修正网络,在主干网络的不同卷积层后添加注意力分支,以提取注意力特征关注属性相关空域;提出一种注意力机制辅助训练方法,将注意力分支与主网络在预测级进行损失融合,通过梯度反向传播修正主网络权重,实现主网络的有效训练;在预测阶段,利用权重修正后的主网络实现属性识别。在RAP数据集上的实验结果表明,提出方法在没有额外辅助信息、不增加主网络体积和计算量的情况下,提升了行人属性识别性能。