结合注意力和低光增强的夜间语义分割

随着深度学习技术的发展和计算能力的提升,对白天拍摄的自然场景图像进行语义分割能够取得良好的效果。然而,在夜间图像语义分割任务中,由于存在曝光不平衡、缺乏标记数据等问题,由白天数据训练的模型往往无法取得良好的表现。为此,提出一种新的无监督夜间图像语义分割网络(AI-USeg)。首先,使用一个轻量级的自校准照明网络(SCI)对夜间图像进行增强,以减少光照变化对后续语义分割网络的影响;其次,引入领域自适应(DA)方法,将模型从包含大量有标签数据的Cityscapes自适应到Dark Zurich-D,解决缺乏标记数据的问题;随后,AI-USeg在基于全卷积网络(FCN)实现的判别器中引入SENet,通过在输出空间进行对抗学习来适应夜间低光照环境下的图像特征,以提升夜间图像语义分割任务的效果。实验使用Cityscapes和Dark Zurich-train中的2416个昼夜图像对进行无监督训练,结果表明,AI-USeg在Dark Zurich-test和Nighttime Driving-test上的平均交并比(m IoU)分别达到了47.9%和51.5%,相较于MGCDA方法分别提高了5.4和2.1个百分点。AI-USeg对夜间图像的特征适应性更强,具有更高的鲁棒性,为夜间场景下的图像分割任务提供了一种有效的解决方案。

山地花椒智能监控系统的研究与设计

针对花椒种植过程中信息监控及智能分析不足的问题,论文设计开发了一套智能监控及分析系统。系统设计总体包括数据采集层、网络传输层、分析应用层。数据采集层中的各种传感器设备负责采集花椒的环境参数与图像数据,在网络传输层实现了有线及无线数据远距离传输,并对应用层进行分析,设计了系统6个模块。该系统在贵州晴隆花椒生产基地进行了安装、调试和部署。通过实地验证,该系统符合设计需求和各项指标,采用智能监控及分析系统使得花椒种植产量和质量得到了有效提升,节省了企业管理成本。

结合动态分裂卷积和注意力的多尺度人体姿态估计

人体姿态估计在动画设计、安防监控、运动分析等领域的重要性不断增加,然而目前的人体姿态估计算法注重准确率,导致网络复杂且计算成本高,难以应用在移动设备和嵌入式平台上。为了缓解这一难题,提出结合动态分裂卷积和归一化注意力的多尺度人体姿态估计网络DNSNet。使用动态分裂卷积与动态内核聚合操作,重新设计了高分辨率网络的瓶颈层DKASCneck,避免过多使用大卷积核,在降低计算成本的同时增强了网络对有用特征的提取能力;提出了部分卷积与基于归一化的注意力机制的基础模块NAMPCblock,在减少计算冗余和内存访问的同时保留了通道和空间方面的信息增强跨纬度交互;以多分辨率特征与反卷积为基础进行网络输出特征融合方式的重新设计,提升网络的热图回归预测准确率。实验结果表明,相对于高分辨网络,所提出的网络模型在COCO验证集上平均准确率提升了2.1个百分点,同时运算复杂度减少了32.4%,模型参数量降低了71.9%。在MPII验证集上,运算复杂度降低了38.9%,模型参数量降低了71.9%。实验数据显示,所提出的网络可以大幅度降低网络复杂度,同时可以小幅提升检测精度。