基于ASPP-SCBAM-DenseUnet的高分遥感影像水体提取研究

针对遥感影像水体提取研究存在细小水体和水体边缘等细节信息关注不足的情况,以及水体连通性较差的问题,文章提出基于改进的空洞空间金字塔池化和随机双注意力机制的密集连接U型网络(ASPP-SCBAM-DenseUnet)。文章首先利用Dense Block块组成Unet的编码器和解码器部分,并引入SCBAM注意力机制,减少噪声干扰,提高水体边界分割的准确性;其次,添加ASPP_SCBAM模块,设置不同的空洞率、扩大感受野,结合小型水体的浅层和深层特征,补偿采样过程造成的特征损失;最后,通过结合Dice系数和像素级二元交叉熵的联合损失函数来训练网络,有效地处理因小水体造成的不平衡数据集,这样不仅确保了分割的精度,还能够产生更加平滑和连续的分割边界,从而防止模型出现过拟合或者过度细化的现象。实验结果表明,ASPP-SCBAM-DenseUnet网络模型提取水体的像素准确率、召回率和F1分数分别为94.19%、94.29%和95.15%,加权交并比和均交并比分别为89.02%、88.63%,明显优于Unet、Linknet等语义分割网络,同时,减少了水体误分类和遗漏,优化了水体边缘细节,提高了对细小水体的识别和水体连通性。

基于听说知识融合网络的多模态对话情绪识别

多模态对话情绪识别旨在根据多模态对话语境判别出目标话语所表达的情绪类别,是构建共情对话系统的基础任务.现有工作中大多数方法仅考虑多模态对话本身信息,忽略了对话中与倾听者和说话者相关的知识信息,从而限制了目标话语情绪特征的捕捉.为解决该问题,提出一种基于听说知识融合网络的多模态对话情绪识别模型(LSKFN),引入与倾听者和说话者相关的外部常识知识,实现多模态上下文信息和知识信息的有机融合.LSKFN包含多模态上下文感知、听说知识融合、情绪信息汇总和情绪决策4个阶段,分别用于提取多模态上下文特征、融入听说知识特征、消除冗余特征和预测情绪分布.在两个公开数据集上的实验结果表明,与其他基准模型相比,LSKFN能够为目标话语提取到更加丰富的情绪特征,并且获得较好的对话情绪识别效果.