分支空洞卷积神经网络的机加工车间场景语义分割

机加工车间场景的语义分割方法是开发工业场景中自主导航小车AGV所需要的一项关键技术.针对AGV需要精确识别可通行区域和不可通行区域,以及机加工车间场景中目标类别较多且密集导致难以准确分割的问题,提出一种基于DeepLabv3深度学习模型架构的分支空洞卷积神经网络模型.在预训练残差网络ResNet-50的基础上,首先扩展分支结构,通过分支结构设置不同比例的空洞卷积扩张率实现调节特征图感受野,获取不同感受野的上下文信息;然后通过相同扩张率的叠加状态改善空洞卷积的棋盘效应,减少上下文信息的缺失;最后添加多尺度特征融合的解码器单元,利用目标定位准确的浅层特征和目标分类准确的深层特征进行特征融合,弥补由于棋盘效应导致的上下文信息缺失和像素信息不相关性的问题.在自制小样本机加工车间场景数据集上的实验结果表明,与DeepLabv3模型相比,该模型的验证精度提高5.14%,且对于可通行区域、道路线和不可通行区域的语义分割结果更加准确.

启动语言对汉-英双语者场景一致性判断的影响

采用眼动技术考察启动语言对场景一致性判断的影响,要求汉-英双语者判断启动短语与图片场景的一致性。研究发现,启动语言影响汉-英双语者的场景知觉:(1)无论是英语短语启动,还是汉语短语启动,前景物体均能够更多更早地获得关注,这与英语短语和汉语短语的所指相同有关;(2)语言特性影响被试的眼动轨迹:在英语短语启动下,背景信息后置引导被试对背景进行了额外的、快速的关注;在汉语短语启动下,被试的注视由前景区转至背景区的时间较晚且注视比例较小;(3)任务加工深度影响汉英双语者的场景知觉。