特征对齐与上下文引导的多视图三维重建

针对三维重建对细小特征及边缘区域重建欠佳的问题,提出了一个基于特征对齐与上下文引导的多视图三维重建网络,即AGA-MVSNet。首先,构建了一个特征对齐模块(FA)与特征选择模块(FS),能够将特征金字塔不同层级的特征先对齐之后再进行融合,提高对小尺寸物体和边缘区域的特征提取能力;然后,在代价体正则化中加入了一个上下文引导模块,该模块能够在略微增加运行内存的情况下充分利用周围信息,增强成本体积之间的相关性,提高三维重建的精度与完整度;最后,在DTU数据集上进行了实验,实验结果表明,该方法相比于基准网络CasMVSNet精度提升了2.2%,整体重建质量提升了2.5%。此外,在Tanks and Temples数据集上的表现相较一些已知的方法也十分优异,且在BlendedMVS数据集上也生成了不错的点云效果。

结合RC_UNet与特征组合的水稻面积提取方法

为了准确提取水稻的种植面积,提出一种基于自适应特征提取网络模型RC_UNet和特征组合的水稻面积提取方法:①设计一种自适应通道卷积注意力机制(ACCA),通过动态调整水稻特征通道权重,实现RC_UNet对于水稻特征的自适应提取;②构建一种特征对齐模块(FAM),通过特征对齐,来减小特征之间的差异性,促进特征融合,增强网络的特征表达能力;③构建了4种用于水稻面积提取的特征组合方案。以2021年湖北省石首市Sentinel-2影像为数据源,进行实验。实验结果表明,与SE、CBAM相比,ACCA能够显著提升网络收敛效果,提升网络收敛效果。同时验证了,近红外(NIR)、主成分第一分量(PCA1)、增强型植被指数(EVI)特征组合更加适用于提取水稻区域。在此基础上,RC_UNet网络模型的F1分数、交并比、相对面积误差分别为89.21%、81.52%、4.96%,优于SegNet、DeepLabV3+和U-Net网络模型。