区域损失函数的孪生网络目标跟踪

针对预训练卷积神经网络提取的深度特征空间分辨率低,快速运动造成运动目标空间细节信息丢失等问题,提出用区域损失函数构建孪生网络的目标跟踪,进一步降低深度特征通道之间的冗余性,并减少高层信息丢失。利用线下预训练的VGG-16卷积神经网络提取深度特征,构成初始深度特征空间。通过区域损失函数构建特征和尺度选择网络,根据反向传播的梯度大小进行特征选择。对筛选后的特征进行拼接,融入到孪生网络中匹配跟踪。在OTB-2013、OTB-2015、VOT2016、TempleColor数据集上与其他算法对比。实验结果表明,该算法在快速运动、低分辨率等场景中表现出较好的跟踪精度和鲁棒性。

基于损失度的天波雷达抗有源压制干扰能力评估

为解决有源压制干扰条件下天波雷达抗干扰能力的定量评估问题,分析了用于天波雷达的压制干扰类型和天波雷达抗压制干扰措施,提出了发现概率损失度和探测区域损失度两个评估指标度量天波雷达抗有源压制干扰能力。基于时域处理、波束形成、换频等抗干扰措施的定量描述模型,推导出综合信干比方程,并结合信噪比方程、发现概率计算式和有效探测区域面积计算式建立了评估指标的计算模型。仿真分析了典型对抗条件下天波雷达的抗干扰能力,结果表明:天波雷达具有较强的抗有源压制性干扰能力,抗旁瓣干扰能力强于抗主瓣干扰。

基于CVM法和效益转移法评估炼油厂排污所造成的环境价值损失

石油开发生产过程中造成了严重的空气污染和水污染,为了正确评估企业的利润,合理计算企业给当地住户的污染补偿金。基于问卷调查结果,文章定性分析了炼油厂给当地造成的污染状况以及当地人对污染的态度,并采用CVM(contingent valuation method)评估法,求出针对环境污染问题当地住户的最大支付愿意和能够接受的最小补偿意愿。在此基础上,将效益转移法(benefit transfer)应用于评估跨区域的环境损失,评价了效益转移用于跨区域环境损失估计时的精度及应注意的问题。最后分析了企业发展与环境污染之间的关系。

溃坝洪水经济损失评估研究进展

介绍了目前洪水损失评估常用综合性软件以及学团体研究开发专业模型;阐了溃坝洪水经济损失评估研究热点,如域洪灾损失与实时评估问题、动态评估模型等;讨论了支持向量、模糊理论、人工智能、灰色理论等在洪水经济损失评估中应用;分析了当前溃坝经济损失评估法缺陷与未来发展势.

特征混合增强与多损失融合的显著性目标检测

针对当前显著性目标检测算法存在的特征缺失和区域一致性差的问题,基于全卷积神经网络提出一种特征混合增强与多损失融合的显著性目标检测算法。该算法包含上下文感知预测模块(CAPM)和特征混合增强模块(FHEM)。首先利用上下文感知预测模块提取图像多尺度特征信息,并且在预测模块中嵌入空间感知模块(SAM)以进一步提取图像高层语义信息,然后利用特征混合增强模块对预测模块产生的全局特征信息和细节特征信息进行有效的整合,并利用特征聚合模块(FAM)对整合的信息进行特征增强。此外,提出了一种新的区域增强损失函数(RA),并将此损失函数与已有的二进制交叉熵(BCE)损失函数、结构化相似度(SSIM)损失函数融合,以多损失融合的方式监督网络保持前景区域的完整性以及增强区域像素一致性。在五个包含多个显著性目标和复杂背景的图像数据集上对算法进行验证,实验结果表明,该算法有效地提高了复杂场景下显著性目标的检测精度,改善了显著图特征缺失与区域一致性差的问题。

基于Retinex和多注意力的低光照航拍图像增强方法

针对低光照航拍图像亮度低、对比度弱、噪声多、细节缺失等问题,提出一种基于Retinex和多注意力机制的低光照航拍图像增强(MARNet)方法。首先,将低光照航拍图像分解为光照图和反射图,再将CBAM注意力机制引入噪声调整网络,让网络更加关注高噪区域,去除反射图中大量噪声;然后,设计了由上下采样结构组成的光照调整网络,引入通道注意力机制,提升光照图亮度,同时,加入区域损失函数,提高细节对比度;最后,为实现低光照近地面目标检测与跟踪,利用低光照图像合成方法,加入真实噪声,制作了一套低光照航拍配对数据集。实验结果表明,所提方法在提高图像亮度、减少噪声的同时还原了细节信息,3项性能指标PSNR,SSIM和NIQE及人类视觉感知效果均有所提升。

生态系统服务经济价值评价的前沿问题

通过查阅现有的文献和信息资料,论述了生态服务经济研究中的前沿问题、评价体系和主要测评内容与方法,以促进我国区域生态环境服务价值的研究与实践,为区域生态损失的估价和绿色经济账户的建立,以及实行区域生态环境经济管理提供决策依据,确保区域生态安全。

融合局部特征与两阶段注意力权重学习的面部表情识别

面部的局部细节信息在面部表情识别中扮演重要角色,然而现有的方法大多只关注面部表情的高层语义信息而忽略了局部面部区域的细粒度信息。针对这一问题,提出一种融合局部特征与两阶段注意力权重学习的深度卷积神经网络FLF-TAWL(deep convolutional neural network fusing local feature and two-stage attention weight learning),它能自适应地捕捉重要的面部区域从而提升面部表情识别的有效性。该FLF-TAWL由双分支框架构成,一个分支从图像块中提取局部特征,另一个分支从整个表情图像中提取全局特征。首先提出了两阶段注意力权重学习策略,第一阶段粗略学习全局和局部特征的重要性权重,第二阶段进一步细化注意力权重,并将局部和全局特征进行融合;其次,采用一种区域偏向损失函数鼓励最重要的区域以获得较高的注意力权重。在FERPlus、Cohn-Kanada(CK+)以及JAFFE三个数据集上进行了广泛实验,分别获得90.92%、98.90%、97.39%的准确率,实验结果验证了FLF-TAWL模型的有效性和可行性。

检测小篡改区域的U型网络

目的图像篡改区域检测是图像取证领域的一个挑战性任务,其目的是找出图像的篡改区域。传统方法仅针对某种特定的篡改方式进行设计,难以检测其他篡改方式的图像。基于卷积神经网络的方法能够自适应地提取特征,同时检测包含多种篡改方式的图像。但是其中多数方法都选择增强图像的噪声特征,这种机制无法较好处理篡改区域与原图像来源相同、噪声相似的情况。多数方法还忽略了篡改区域过小而产生的样本不平衡问题,导致检测效果不佳。方法提出了一个基于区域损失的用于检测小篡改区域的U型网络,该网络构建了一个异常区域特征增强机制,放大与图像背景差异较大的异常区域的特征。此外,还利用区域损失增强对篡改区域框内像素的判别能力,可以解决因篡改区域过小而产生的样本不平衡问题。结果消融实验说明了异常区域特征增强机制和区域损失机制的有效性;对JPEG压缩和高斯模糊的对抗性测试证明了模型的鲁棒性;在CASIA2.0(CASI-A image tampering detection evaluation database)、NIST2016(NIST nimble 2016 datasets)、COLUMBIA(Columbia uncompressed image splicing detection evaluation dataset)和COVERAGE(a novel database forcopy-move forgery detection)数据集上与最新方法进行比较时,本文方法取得了最优性能,其F1 score分别为0.9795、0.9822、0.9953和0.9870。结论本文的异常区域特征增强机制和区域损失机制能有效提高模型性能,同时缓解篡改区域过小导致的样本不平衡问题,大量实验也表明了本文提出的小篡改区域检测方法的优越性。

基于并联残差网络的低照度图像增强算法

为了解决低照度图像亮度低、对比度低、信息丢失严重、颜色失真等问题,提出一种基于并联残差网络的低照度图像增强算法。该网络模型的主要思想是将交替残差模块与局部全局残差模块进行并联,运用改进的损失函数计算测试集损失,不断地调整网络参数,最终得到具有较强增强能力的网络模型。实验结果表明,本文网络模型能够有效提高图像亮度、对比度,减少边缘细节丢失。基于合成图像数据集与真实图像数据集进行实验,本文网络模型均取得良好的增强效果,在主观视觉上表现得更加自然,其客观评价指标优于其他对比算法。