基于显著性语义协同的校园道路场景分割

针对复杂场景图像语义分割精度低、细小目标识别能力不足等问题,提出基于显著性语义协同学习的校园道路场景分割算法,并在实时网络模型LinkNet基础上对该算法加以改进。首先,在编码阶段引入空洞空间金字塔池化模块,通过扩大视野提取更丰富的上下文语义信息,提升细小目标的分割能力;其次,采用协同学习思想,将语义分割与显著性检测的特征提取过程进行共享。通过共享卷积层特征,语义分割任务从显著性的学习过程中受益,进而提高分割模型的准确率。为了验证算法性能,在Cityscapes数据集上进行实验。结果表明,与经典的语义分割方法进行对比,本文算法能进一步提高场景内各类目标分割精确度,整体精度达到67.91%,比原LinkNet模型提高了8.14%。

基于显著性语义属性的交互式非标人像检索方法

针对现有各类非标人像检索存在的问题,进行深入、系统的分析研究,提出一种基于显著性语义属性的交互式非标人像检索方法。通过多标签分类神经网络,生成基于公安行业语义属性的人像表示集;根据人工定义的显著性属性,通过改进的融合相似度距离函数计算方法和快速缩小检索范围的分库权值排序策略实现快速收敛。所提方法通过层进式的交互检索方案成功实施。实验结果表明,在专业用户的操作下,该算法与同类算法相比,将平均检索次数降低到了11.3次,且在查准率、召回率、F1值上均达到了同类算法最优值,很好地解决各类非标人像的检索问题。

基于选择性注意力神经网络的木薯叶病害检测算法

为了实现在复杂非结构环境下对木薯叶4种主要病害的高精度检测,提出一种基于选择性注意力机制的木薯叶病害神经网络检测改进算法MAISNet(Multiattention IBN Squareplus neural network)。以V2-ResNet-101为基础网络,先使用多重注意力算法优化加权系数,调整特征通道的语义表达,在特征图中初步构建显著性特征;然后在残差单元之后采用实例批归一化方法来抑制特征表达中的协变量偏移,在特征图中构建出显著性语义特征,实现高质量语义特征表达;最后在残差分支中采用Squareplus激活函数替代ReLU激活函数,保持语义特征在负数域的数值分布,减少特征拟合过程中的截断误差。对比试验结果显示,经过上述改进后构建出的MAISNet-101神经网络,对4种常见木薯叶病害检测的平均准确率达到95.39%,明显优于目前主流算法EfficientNet-B5和RepVGG-B3g4等。网络提取特征的可视化分析结果表明,高质量木薯叶病害显著性语义特征,是提高木薯叶病害检测准确率的关键。所提出的MAISNet神经网络模型可以完成实际场景下木薯叶病害高精度检测。

一种景观照片注意力土地利用语义获取方法

针对国土调查实地举证中,照片数量巨大、内容丰富、语义复杂,依靠人工按照土地利用分类标准解译费时费力且主观性过强的问题,该文提出一种基于注意力的照片土地利用场景语义深度学习解析方法,自动提取照片注意力区(主场景)的土地利用语义和分布信息。实验表明,该方法能够实现自然场景照片土地利用语义包的快速提取,成功应用于江夏区国土调查工作,为全国国土调查智能化提供了技术支撑。