基于有效通道注意力的遥感图像场景分类

针对基于人工设计特征的方法不能提取高层次遥感图像信息以及以往利用VGGNet、ResNet等卷积神经网络(CNN)无法关注到遥感图像中显著分类特征的问题,提出了一种基于有效通道注意力(ECA)机制的遥感图像场景分类新模型——ECA-ResNeXt-8-SVM。为了建立高效模型,一方面,设计了嵌入ECA模块的深度特征提取网络ECA-ResNeXt-8,通过端到端的学习使网络更关注分类特征明显的通道;另一方面,利用支持向量机(SVM)代替全连接层作为已提取到的深度特征的分类器,从而进一步提高模型的分类准确率与泛化能力。该模型在实验数据集UC Merced Land-Use上的分类准确率达到95.81%,相较于使用SE-ResNeXt50与ResNeXt50网络,分别提高了6%与18%,且在分类准确率为75%时所提模型的训练时间比上述两个网络分别减少了82%与81%。实验结果表明,所提模型能够有效地减少模型的收敛时间并提升遥感图像场景分类的准确率。

轻量级注意力X射线矿石检测方法

针对缺乏矿石数据集和矿石分类识别模型等因素,自建以X射线照射成像的矿石图像为数据集,并以MobileNet V2为主网络,提出基于改进MobileNet V2轻量级矿石分类模型算法。首先,通过调整扩展因子和宽度因子大幅减少模型参数量,实现模型轻量化的目的;其次,通过在部分倒残差模块和原模型分类器中嵌入高效通道注意力机制,并将剩余倒残差模块替换为含深度空洞卷积的并行特征提取网络,以增强模型特征信息提取能力,提升模型识别准确率;最后,使用迁移学习的训练方式初始化权重,加速模型训练。经过改进,该算法矿石识别准确率提升至96.720%,对比VGG16、GoogleNet、Xception、ShuffleNet和MobileNet V2在准确率和矿石检测速度都获得了提升。综合而言,相比本文实验中其他算法而言,改进算法针对矿石的识别性能具有更佳表现。

基于改进的U-Net卷积神经网络的遥感影像水体信息提取方法

针对当前遥感影像水体信息提取存在细节水体提取能力较弱、重要特征损失较大的问题,文章提出一种基于改进的U-Net网络实现遥感影像水体信息提取的方法。该方法首先通过引入Resnet残差卷积模块深化传统U-Net网络架构提升特征挖掘能力,并引入Respath残差连接模块减少跳跃连接过程中的语义差距,同时引入PSConv多尺度卷积模块、Eca有效通道注意力机制模块,提高网络特征学习能力,构建PS-Eca-Multiresunet网络模型,弥补传统U-Net网络存在的细节特征提取能力较弱问题。选择“2020年第四届中科星图杯高分遥感图像解译软件大赛”数据集进行实验,结果表明,与传统U-Net网络模型相比,该方法水体提取的平均交并比提高了9.08,像素精度提升了7.4%。改进的网络提取结果能够有效避免阴影影响,提高对细节水体的提取精度,实现遥感影像水体信息的高精度提取。

基于改进ShuffleNetV2网络的岩石图像识别

由于基于传统深度学习的岩石图像识别算法模型比较繁琐,而且应用于移动终端等需要一定的计算能力,因此很难实现对岩石类型的实时准确判别。为此,以ShuffleNetV2网络为基础,插入通道连接注意力机制ECA(Efficient Channel Attention)模块,使用Mish激活函数代替ReLU激活函数并引入轻量级网络部件中的深度可分离卷积。将该方法用于岩石图像识别,实验结果表明,改进后的算法结构简单,同时具有轻量化的特点,其识别精度达到94.74%,可在移动终端等有限资源环境下应用。

提升地震相边缘和不规则体识别效果的半监督识别方法

近年来随着深度学习的快速发展和地震相识别智能化研究深入,国内外提出了多种基于深度学习的地震相识别方法。但深度学习方法需要大量标注信息学习网络参数,实际上地震数据标注成本高,困难大。鉴于此,提出半监督地震相识别方法。利用少部分标注数据训练基于语义分割网络的地震相识别模型,并用模型对未标注的数据进行类别推断。该方法可扩展训练数据集规模,降低标注成本,提高模型的准确性和泛化能力。相较于仅用有限标注数据的模型性能有显著提升。该模型采用Deeplabv3+网络,在复杂深层相带存在边缘不清晰以及类内预测不一致问题,针对该问题,提出提升地震相边缘和不规则体识别效果的半监督识别方法。该方法在Deeplabv3+编码部分引入双注意力机制改善同类预测不一致现象,同时解码部分加入了有效通道注意力模块,结合低层特征进一步改善预测目标边界不清晰问题。改进后的Deeplabv3+网络有效改善存在的问题。

改进YOLOv2算法的道路摩托车头盔检测

针对摩托车头盔的传统检测方法准确率低、泛化能力差和目标检测网络参数量大难以在嵌入式设备运行的问题,提出改进的YOLOv2的MNXt-ECA-D-YOLOv2目标检测算法模型。首先引入Mobile Ne Xt网络替换YOLOv2原始骨干网络,其次在Mobile Ne Xt的沙漏块中引入密集连接结构同时在网络中引入有效通道注意力机制,然后在不同深度网络层应用不同的激活函数,最后在网络输出卷积层之前增加Drop Block模块。采用K-means聚类算法重新设计了自制数据集的先验框尺寸。实验结果表明,改进后的模型相比原始YOLOv2,在AP50指标上提高了3.53%,模型大小减少77.44%,检测速度提高了近4倍。通过对比实验可知,改进后的YOLOv2模型在保持较高的精度下模型更小,在CPU中的推理速度更快,具有一定的应用价值。

基于破坏与重建学习的植物病虫害细粒度分类方法

目前,我国对植物病虫害的分类主要依靠人工分类的方法,造成了人力浪费、资源利用率低等问题。属于同一类别的植物叶片通常具有极其相似的颜色、形状等外观特征,常规分类方法难以区分。为提高分类速度与准确率,提出一种改进破坏与重建学习方法的病虫害检测器。针对模型参数量大的问题,引入RepVGG轻量化网络替换ResNet50作为主干网络,减少参数量和计算量。针对训练过程中因维度降低导致识别准确率低的问题,引入有效通道注意力机制(Effcient Channel Attention,ECA)模块,在增加少量模型复杂性的同时提高检测精度。试验结果表明,改进后的破坏与重建模型准确率可达到96.74%。与ResNet50、VGG16、RepVGG等模型的病虫害识别对比试验结果表明,所提的模型比其他模型的平均精度提升了4.64%~9.9%,具有更高的分类精度。