基于上下文信息与特征细化的无人机小目标检测算法

无人机航拍图像中的目标检测是近年来研究的热点,针对无人机视角下目标小而密集、背景复杂导致检测精度低的问题,提出一种基于上下文信息与特征细化的无人机小目标检测算法。通过上下文特征增强模块,利用多尺度扩张卷积捕获与周围区域像素点的潜在关系,为网络补充上下文信息,并根据不同尺度的特征层自适应生成各层级特征图的输出权重,动态优化特征图表达能力;由于不同特征图细粒度不同,使用特征细化模块来抑制特征融合中冲突信息的干扰,防止小目标特征淹没在冲突信息中;设计了一种带权重的损失函数,加快模型收敛速度,进一步提高小目标检测精度。在VisDrone2021数据集进行大量实验表明,改进后的模型较基准模型mAP50提高8.4个百分点,mAP50:95提高5.9个百分点,FPS为42,有效提高了无人机航拍图像中小目标的检测精度。

特征细化和多尺度注意力的Transformer图像去噪网络

为增强全局上下文信息的关联性,加强对多尺度特征的关注,在提升图像去噪效果的同时最大程度保留细节特征,提出一种基于Transformer的特征细化和多尺度注意力的图像去噪网络(TFRADNet)。该网络不仅在编解码器部分利用Transformer解决大规模图像的长程依赖问题,提高模型的去噪效率,还在上采样操作后加入位置感知层来增强网络对特征图中像素位置的感知能力。为了应对Transformer可能对像素间空间关系的忽略,导致局部细节失真,在特征重建阶段设计了特征细化模块(FRB),采用串行结构逐层引入非线性变换,加强对噪声水平复杂的图像局部特征的识别。同时,设计了多尺度注意力模块(MAB),采用并行双分支结构,对空间注意力和通道注意力联合建模,有效捕捉不同尺度的图像特征并进行加权,提高模型对多尺度特征的感知能力。在真实噪声数据集SIDD、DND和RNI15上的实验结果显示,TFRADNet能够兼顾全局信息和局部细节,相比其他先进方法展现出了更强的抑噪能力和稳健性。

基于上下文信息增强与特征细化的绝缘子破损检测方法

快速准确地检测出绝缘子缺陷是电网维护的重要任务,也极具挑战性。针对目前主流绝缘子缺陷检测算法检测速度慢且模型复杂度较高的问题,提出一种基于上下文信息增强与特征细化的绝缘子破损检测方法。该方法采用轻量化的ECA-Ghost Net作为骨干网络,骨干网络输出端嵌入轻量化的自适应上下文信息增强模块,为绝缘子破损缺陷注入多尺度上下文信息;然后在特征金字塔输出端引入快速且高效的特征细化模块,用于增强绝缘子破损缺陷特征。在该文构建的数据集上进行了多组对比实验,结果表明该文提出的方法均值平均精度可达约97.05%,检测速度约为63帧/s,模型计算量和参数量分别为1.46 G和1.68 M,各项性能指标均优于Retina Net、YOLOv4和YOLOF等主流算法。该文研究结果可为无人机嵌入式应用提供参考。

自适应特征细化的遥感图像有向目标检测

目标检测是遥感研究中重要且具有挑战性的任务。遥感图像大多通过俯视视角拍摄,其背景复杂、方向任意的特点,使得自然场景中的目标检测算法直接应用于遥感领域会面临一些挑战。针对上述问题,提出一种自适应特征细化网络AFR-Net,生成与物体之间具有高匹配度的有向候选框。设计特征增强模块增加具有判别力的特征表示,提升复杂背景下空间细节的捕捉能力;为得到适应于物体方向的有向候选框,提出自适应特征对齐模块缓解卷积特征与有向目标的空间错位问题,得到旋转不变特征;通过解耦检测头模块获取旋转敏感特征并细化精确的边界盒回归。提出的网络在公开的遥感目标检测数据集DIOR-R和HRSC2016达到了66.71%和97.12%的准确率,相比原始算法分别提高了2.3和0.9个百分点的检测精度,同时与一些主流的目标检测算法相比,该算法具有一定的优越性。

基于特征细化的多标签学习无监督行人重识别

针对无监督行人重识别中行人特征表达不充分以及训练过程产生噪声标签等问题,提出了一种基于特征细化的多标签学习无监督行人重识别方法。首先,为提高网络对关键区域信息的利用能力,设计多尺度通道注意力模块(Multi-scale channel attention module,MCAM),嵌入ResNet50网络的不同层来构建特征细化网络,并利用该网络对输入图像通道维度上的关键信息进行强化和关注,以获得更丰富的特征信息;其次,为降低训练过程中产生的噪声标签对网络的负面影响,设计多标签学习模块(Multi-label learning module,MLM),通过该模块进行正标签预测以生成可靠的伪标签;最后,利用多标签分类损失和对比损失进行无监督学习。在数据集Market-1501和DukeMTMC-reID上进行实验,结果表明该方法在这两个数据集上的平均精度均值分别达到82.8%和70.9%,首位命中率分别达到92.9%和83.9%。该方法使用注意力机制强化图像的特征信息,并通过正标签预测减少噪声标签,有效提升了无监督行人重识别的准确率,为无监督行人重识别领域提供了更鲁棒的方法。

基于图像特征细化的海量数据挖掘系统设计与实现

传统基于图像内容的图像数据挖掘算法,对海量图像特征的分类效率低,对图像数据的挖掘准确率受样本数量影响较大。因此,提出一种基于图像特征细化的海量数据挖掘系统,其中的人机界面可赋予系统较高的交互性。图像搜索引擎能够智能地从互联网海量的图像数据中,采集有价值图像数据和特征。图像预处理模块对图像格式进行变换,完成图像噪声因素的过滤等操作,并对采集图像特征进行细化。数据挖掘模块依据采集的图像特征细化结果塑造CMQL语句,从图像数据库中挖掘出有价值的图像数据。系统实现部分给出了数据挖掘查询语言CMQL进行图像数据的挖掘过程。实验结果表明,所设计系统具有较高的查准率和查全率。

AF-RetinaNet:一种基于自适应融合与特征细化的微小行人检测算法

为解决目前目标检测算法在微小行人的识别与定位过程中准确率较低的问题,提高微小行人检测能力,提出一种基于自适应融合与特征细化的微小行人检测算法AF-RetinaNet.首先,将特征增强模块与ResNet相结合构建特征提取网络,采用并行结构获得增强特征;其次,使用上下文自适应学习模块,通过获得目标上下文的特征信息,从而关注相似特征的差异性,缓解误检问题;最后,构造具有图像超分思想的特征细化模块,对目标特征信息进行放大重构,优化小目标的特征表达能力,缓解漏检问题.在TinyPerson数据集上, AF-RetinaNet算法的检测精度达到56.78%,漏检率达到85.38%.与基于RetinaNet算法的研究基准相比,检测精度提高5.57%,漏检率降低3.67%.实验结果表明,该模型能有效提高对微小行人的检测和识别精度.

细化特征引导对抗性解纠缠学习的无监督行人重识别

无监督行人重识别旨在无监督设置下从非重叠的相机中识别出同一行人。针对现有的无监督行人重识别网络不能充分提取行人特征以及相机之间的差异导致行人检索错误的问题,提出了一种细化特征引导对抗性解纠缠学习的无监督行人重识别方法,设计特征细化信息融合模块嵌入ResNet50网络的不同层,用以增强网络提取关键信息的能力。设计特征解耦学习方法最小化行人特征和相机特征之间的互信息,减少相机差异对网络的负面影响,同时设计对抗性解纠缠损失函数进行无监督联合学习。在两个公共数据集Market-1501和DukeMTMC-reID上对所提方法进行评估,平均精度均值分别提升了4.6%、3.1%,相较于基线算法具备较强的鲁棒性,满足在无监督背景下对行人的识别需求。

基于特征重聚焦和精细化的遥感显著性目标检测

为了提升网络对特征的表征,提出一种基于特征重聚焦和精细化的光学遥感显著目标检测算法。利用相邻层特征交互捕获上下文语义互补信息,并通过膨胀卷积调节感受野提取信息的范围,完成初次特征聚焦。再将注意机制作用于深层特征,组成位置引导模块,增强对显著性特征的关注,完成特征重聚焦。最后,通过浅层特征获得显著特征注意图和反注意图,引导网络进一步挖掘高置信度显著区域和低置信度背景区域的信息,精细化优化后的特征。采用EORSSD和ORSSD 2个公开数据集进行实验与评估,以证明算法的有效性。

细化多尺度感知与优化轮廓的自适应道路场景语义分割网络

语义分割通常被描述为像素级的分类任务,而集成卷积神经网络与Transformer的MaskFormer网络则将其描述为掩模级的分类任务.为了解决语义分割形变建模能力差、物体轮廓分割模糊和收敛速度慢的问题,提出一种细化多尺度感知与优化轮廓的自适应道路场景语义分割网络.在编码器中,采用标准卷积与可变形卷积堆叠形成的瓶颈结构提高网络的形变建模能力;在解码器中,采用特征细化模块过滤无关特征,进一步提高特征金字塔网络的解码能力;针对特征金字塔网络进行多层级特征融合时上采样特征出现像素点错位的问题,引入特征校准模块优化物体轮廓的分割效果;最后在Transformer模块中采用Miti-DETR解码器加快网络的训练速度,提升分割精度.实验结果表明,所提网络在Cityscapes和Mapillary Vistas数据集上以较大的优势超过了现有的语义分割网络.

基于加密雨量站资料的邯郸市夏季短时强降水精细化特征分析

利用邯郸市257个加密雨量站2016—2021年夏季逐时降水资料,基于排序法确定短时强降水(雨强大于20.0 mm/h)的阈值,分析邯郸市夏季短时强降水时空分布特征。结果表明:邯郸市夏季短时强降水站均出现16.3次,山区站均出现17.5次,平原地区站均出现15.6次,短时强降水集中发生在7月中旬至8月中旬;雨强大值区出现在山区中南部及平原地区的北部、西南部区域,平原地区雨强极值为125.2 mm/h(鸡泽县风正乡),山区为123.1 mm/h(磁县陶泉乡);小时雨强的50%、75%、95%、99%、99.5%分位数对应的降水量分别为27.8、36.1、56.5、80.4、94.9 mm;全市短时强降水站均次数的日内变化呈“双峰型”特征,高峰时段在17:00-21:00时,次高峰时段在5:00—9:00时;单站发生短时强降水的概率最高。

基于双重细化局部二值模式的纹理图像分类

文章介绍了一种名为双重细化局部二值模式(DRLBP)的新型纹理特征提取方法,旨在克服传统局部二值模式(LBP)在描述图像纹理细节方面的不足。DRLBP利用整幅图像的正负幅值信息,对传统LBP的符号位编码进行双重标记,有效地将原本聚集在单一bin中的特征模式分散到多个子bin中,从而提高了对图像纹理细节的捕捉能力。在Outex、CUReT和UMD纹理库上的实验结果表明DRLBP在特征区分度和识别精度方面均优于传统LBP。

云南台风降雨精细化特征及其对农业生产的影响

利用2012—2021年影响云南省的台风降雨资料以及登录信息,研究台风降雨精细化特征及其对农业生产的影响。结果表明,每年均有2~4个西行台风影响云南省,其中7—8月为高集中期;小时雨强80%以上在中雨及以下,暴雨以上占比较小,大暴雨和特大暴雨发生为极小概率事件,小时雨强不强,无明显小时暴雨特征;72 h累积降雨50.0 mm以下居多,仅2个台风有20%以上站次超过100.0 mm,1个台风超过150.0 mm;降雨持续时间长,平均超过10 h,5个超30 h。台风降雨对云南省农业生产利弊兼存,台风降雨满足作物生长的水分需求,缓解前期的气象干旱,但局地强降水会造成暴雨洪涝灾害,10—11月台风降雨对成熟期作物的成熟收晒有不利影响。

基于小时数据的西安市汛期降水的精细化特征分析

利用西安市91个国家站和区域自动站2016—2021年5—10月小时降水数据,分析了西安市汛期降水变化特征和短时强降水时空分布特征。结果表明:(1)降水量、降水频次空间分布主要表现为东、西两头高,中间从南到北递减的特征,降水强度则呈现几乎相反的分布特征;西安市8月降水强度最大,9月降水量和降水频次最大。(2)降水量、降水频次呈现出清晨至上午的单峰型峰值位相日变化特征;降水强度表现为夜间和清晨的双峰型峰值位相日变化特征;降水量峰值与降水频次相关度更高。(3)临潼、西安市主城区、鄠邑、周至具有较一致的降水量和降水频次峰值位相,降水量峰值主要来自降水频次的贡献;阎良、高陵降水量和雨强的峰值位相一致,降水量峰值主要来自雨强的贡献;位于北部区域的阎良、高陵、临潼的站点雨强峰值位相基本出现在夜间到凌晨,数量明显多于南部区县。(4)蓝田、临潼东部、鄠邑等地短时强降水偏多,周至、长安、西安市主城区、高陵、阎良短时强降水偏少;西安市短时强降水主要出现在7—8月,其中又以7月下旬至8月上旬为最多;14:00至22:00、05:00至06:00是短时强降水发生的活跃时段,其中20:00—22:00、06:00是短时强降水高发时段,最大雨强达到97.8 mm/h。

连年干旱背景下洱海流域降水的精细化特征

利用2010-2015年洱海流域22个自动气象站资料,分析了连年干旱背景下洱海流域降水的精细化时空分布特征。结果显示,(1)洱海流域降水在时间上分布不均匀,年内降水主要集中于夏、秋两季,而且夜雨特征明显;日内降水量、降水强度和降水小时数分别在06:00(北京时,下同),04:00和06:00出现峰值,分别在13:00,23:00和11:00出现谷值;长历时降水事件对累计降水量的贡献率最大,中历时的贡献率次之,短历时的贡献率最小。(2)在空间上分布差异比较显著,洱海湖区年均降水量西部多东部少,沿着点苍山山脚一线,春、夏、秋、冬四季和全年的降水量、降水小时数以及不同量级的降雨日数均偏多,一般在银桥镇双阳出现大值中心,此大值区域处于盛行风(东风)、次盛行风(东东南风)的上风向和第三盛行风(西西北风)的下风向。(3)洱海流域降水分布与低纬高原季风气候、洱海流域复杂地形以及盛行风效应等因素紧密联系。

基于小时降水资料研究北京地区降水的精细化特征

根据北京全区2007~2014年117个自动气象站逐小时降水资料,在揭示降水总体时空特征的基础上,进一步研究了北京地区各季(以春、夏、秋为主)降水的精细化特征。研究发现:北京全区年均降水量存在两个高值中心(城区和下风方向的降水高值中心),城市热岛效应可能是城区高值中心形成的重要影响因素之一;北京全区降水的季节分布不均,日分布也不均匀;城市化对北京地区降水的影响具有季节差异,夏季短历时和中历时降水在城区和东北部存在显著的大值区,受到城市热岛效应的影响可能较为明显,长历时降水在城区反而相对偏低,而春季城区短、中历时降水并未偏多,长历时降水却在城区出现明显的高值中心;降水日变化季节差异明显,春、秋两季呈现双峰型变化,而夏季呈现单峰型变化,该日变化的特征与全区降水的空间分布格局关系紧密。

基于CAFPN和细化双头解耦的遥感图像目标检测

针对遥感图像背景的复杂性和图中目标尺寸小、方向任意性导致漏检或错检的问题,提出了一种新颖的目标检测算法。首先,提出一种基于上下文信息增强的特征金字塔网络。在特征提取阶段,自适应融合不同感受野,获得具有丰富语义信息的特征,减少小目标的信息流失。然后,在回归网络中,使用中心点偏移回归机制实现旋转框的检测,降低冗余锚框带来的计算复杂度。最后,结合双头网络将分类和回归特征解耦,通过注意力机制和极化函数引导的特征细化模块构建适应各自任务的重要特征,使网络能准确地检测目标。在遥感数据集DOTA、HRSC2016和UCAS_AOD上验证网络的有效性,对比于Faster RCNN算法,该算法在3个数据集上获得了8.48%、7.60%和3.10%的精度提升,实现了高性能的遥感图像目标检测。

“十四运”关键场馆气象要素特征及客观预报检验

气象要素特征的定点精细化分析和预报评估对重大体育赛事气象保障有重要意义。利用国家气象信息中心三源融合降水分析产品和欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)ERA5再分析资料,分析第十四届全国运动会(简称“十四运”)西安、延安、安康关键场馆的气象要素特征,并检验ECMWF、中国气象局中尺度数值预报系统(China Meteorologi⁃cal Administration Mesoscale Model,CMA-MESO)预报产品和国家气象中心网格指导预报产品(SCMOC)对3个关键场馆降水、气温和风的预报表现。主要结论如下:(1)十四运历史同期3个关键场馆发生降水的概率较高,开、闭幕日举行地西安场馆历史上出现降水的概率分别为46%和44%,平均降水量分别为24.6、9.8 mm,且降水量和降水概率峰值多出现在午后至傍晚。(2)十四运历史同期3个场馆夜间气温相对较低,白天快速升温,日平均气温大多为12~18℃,适宜赛事活动;3个场馆盛行偏东风或偏南风,西安、安康场馆风速小,适宜赛事活动,而延安场馆出现4级以上风的频次较高,对赛事有不利影响。(3)整体而言,十四运历史同期SCMOC在3个场馆的晴雨预报准确率最高,但降水频次预报较实况明显偏低,有漏报的风险;SCMOC对阻塞型和两槽一脊型降水过程的晴雨预报有明显优势,而ECMWF对低涡底部型降水过程预报表现较好,且TS值最稳定。ECMWF的气温预报准确率优于SCMOC和CMA-MESO,而SCMOC的风速预报具有绝对优势。(4)十四运期间3种产品的预报性能差异与历史同期基本一致,但整体预报评分高于历史同期。

基于边界极限点特征的改进YOLOv3目标检测

目标数量多、尺度较小与高度重叠等问题导致目标检测精度低、难度大。为提升目标检测精度,尽可能避免漏检、误检情况,提出一种基于边界极限点特征的改进YOLOv3目标检测算法。首先,引入边界增强算子Border,从边界的极限点中自适应地提取边界特征来增强已有点特征,提高目标定位准确度;然后,增加目标检测尺度,细化特征图,增强特征图深、浅层语义信息的融合,提高目标检测精度;最后,基于目标检测中目标实例特性及改进网络模型,引入完全交并比(CIoU)函数对原YOLOv3损失函数进行改进,提高检测框收敛速度以及检测框召回率。实验结果表明,相较于原YOLOv3目标检测算法,改进后的YOLOv3目标检测算法的平均精度提高了3.9个百分点,且检测速度与原算法相近,能有效提高模型对目标的检测能力。

基于区域自动站数据的兰州地区降水精细化特征

基于2012—2019年兰州地区146个区域自动气象站小时降水数据,从不同时间尺度分析兰州地区近8 a降水精细化特征。结论如下:(1)2012—2019年,兰州地区年均降水量总体呈"北少南多、外多内少"的空间分布特征;年降水量具有明显的年际变化,2018年降水异常偏多46%,而2015、2017年降水异常偏少,尤其2015年偏少30%。(2)兰州地区降水主要集中在7—8月,受环流形势影响,7—8月南部降水明显多于北部,其余月份南北降水差异不明显。(3)兰州地区降水量和降水范围分别表现为"朝少夕多"、"夜大日小"的日变化特征;受海拔高度影响,城区降水量总体比山区小,且因热岛效应,城区降水主要集中在午后至傍晚前后,多为对流性降水,而山区降水日分布较为均匀,整体日波动较小。(4)安宁区短时强降水发生频次最高,但短时强降水频发的站点出现在皋兰县六合站和永登县徐家磨村站,永登县是兰州地区短时强降水预报需重点关注的地区。