基于FVC-CNN模型的野外车辆声信号分类

针对野外环境下单通道车辆声信号受风噪影响严重、分类性能较低的问题,提出一种基于声阵列4通道同步采集信号的一维卷积神经网络模型(FVC-CNN)。该模型借鉴注意力机制加权平均的思想对Inception网络结构进行改进,作为输入层有针对性地提取4通道声信号多个不同时间尺度的特征,抑制噪声干扰,再根据不同车辆声信号特征分布特点,分别训练3个特征提取网络SWNet、LWNet和TNet来提取相应车辆的特征,最后对提取的特征进行多分支多维度的融合以供分类。在相同数据集上进行验证,实验结果表明,FVC-CNN模型总识别率可达94.22%,相较于传统方法识别率提高14.08%,取得了较好的分类效果。

一种基于MBFF-Net的遥感影像建筑物提取方法

针对当前基于卷积神经网络的建筑物提取存在漏检、错检和边缘不准确的问题,提出一种多分支特征融合的建筑物提取网络MBFF-Net。首先,在VGG16-UNet网络的跳跃连接部分引入CBAM注意力机制,强化网络对建筑物特征信息的学习;然后,设计多分支特征融合模块替换解码器中的卷积块,融合不同感受野的特征信息,捕捉局部和跨通道的特征关系,丰富特征表达能力;最后,结合CBAM注意力机制和多分支特征融合模块构建MBFF-Net模型,并在WHU数据集和Inria数据集上进行验证。结果表明,与U-Net、PSPNet、SegNet、VGG16-UNet相比,MBFF-Net在IoU、Precision、Recall以及mPA 4个指标上均为最优,提取的建筑物更加完整,减少了错检和漏检现象,在建筑物提取任务中表现出良好的性能,验证了其在建筑物提取方面的可行性。