论新媒体在司法裁判中的监督尺度

有权必有责,用权受监督。随着科技发展,网络普及,新媒体以其独有的特点,逐渐成为监督司法裁判的主要方式。然而,随着新媒体的广泛运用,其在监督司法裁判过程时,也产生了负面效应。若想让新媒体在监督司法裁判中发挥出最大作用,要合理把握其监督尺度。

面向城市复杂场景的多尺度监督融合变化检测

城市复杂场景中,地物形状多样,光照和成像角度变化大会导致变化检测结果受到干扰。为解决这些问题,文章提出了一种双上下文多尺度监督融合的网络模型(dual context multi-scale supervised fusion network model,DCMSFNet)。首先,在编码部分使用双上下文增强模块获得地物丰富的全局上下文信息。在解码部分,采用级联的方法组合特征,然后通过自适应注意力模块捕捉不同尺度的变化关系,设计多尺度监督融合模块,增强深度网络融合,获得具有更高辨别能力的变化区域特征,将不同层级的输出结果与主网络的重构变化图融合形成最终的变化检测结果。该模型在LEVIR-CD和SYSU-CD变化检测数据集取得了较好的结果,F1-score分别提高了1.58%和2.17%,可更加精确识别复杂场景的变化区域,进一步减少无关因素引起的误检和漏检,且对目标地物边缘的检测更加平滑。

顾及多尺度监督的点云语义分割

针对复杂场景点云分割精度不高、神经网络隐藏单元缺乏直接监督,难以提取语义明确的点云特征等问题,提出了一种将多尺度监督和SCF-Net相结合的点云语义分割网络。首先构建了一个类别信息生成模块,记录编码器中隐藏单元感受野内的类别,用于解码器中辅助分类器的监督学习。其次将解码阶段的点云类别预测任务分解成一系列点云感受野类别预测任务,通过对解码器中每一层添加辅助分类器,预测当前阶段点云感受野类别,编码阶段生成的类别信息作为标签监督网络学习。模型从粗到细地推理点云感受野类别,最终预测得到点云语义标签。实验结果表明,该方法能够有效提取点云关键信息,提高语义分割精度。

从记者法庭报道规则看媒体监督司法的尺度

本文基于我国记者的法庭报道规则,运用案例定性分析的方法,分庭审前、庭审中以及庭审后三个方面展开论述,考究媒体在司法监督上的尺度。

基于边缘特征增强的多尺度监督图像篡改检测

正确定位图像篡改区域需要准确的边缘区域信息,而模糊、平滑等篡改后处理手段使得篡改边缘信息丢失。为充分利用篡改图像的边界特征从而提升图像篡改区域定位精度,提出一种基于边缘特征增强的多尺度监督图像篡改检测方法,采用特征增强模块融合篡改区域边缘特征和篡改区域特征,使用双注意力解码模块强化融合后的特征信息,最后在多个尺度上监督模型训练过程,实现篡改区域的定位。为提升模型训练效率,提出交叉熵损失和均方差损失结合的损失函数监督训练过程。实验证明该方法与主流篡改定位方法相比在AUC和F_(1)指标上提升10%~30%,对于不同类型的篡改也有较好的检测性能。

多尺度深度监督的高度近视萎缩病变分割方法

为提升眼底图像的高度近视萎缩病变分割精度,针对不同个体的眼底图像质量良莠不齐及因萎缩病变与相邻组织之间边界较为模糊等引起分割困难的问题,提出具有多尺度深度监督思想的高度近视萎缩病变分割方法。首先开发优化算法使得眼底图像组织结构清晰、风格统一,降低复杂特征的区分难度。由于利用V-Net只能够得到较低的分割精度,因此,通过融合高层与低层的特征形成多尺度特征学习的MS-V-Net,能够提取不同尺度图像中语义信息。更为重要的是,最终对MS-V-Net每个多尺度模块的深度监督形成紧密监督的MSS-V-Net,与原始V-Net分割方法相比,提高了网络对重要语义信息的判别性及泛化性能力。实验结果表明,本文方法的Dice盒图呈现出异常值变少,中位数变大,盒子长度变短,上下间隔变小,盒外的2条线变短的趋势,说明有效提升了高度近视萎缩病变图像的分割精度。

基于多尺度对抗学习的人体姿态估计

为解决现有基于对抗学习的人体姿态估计算法对人体尺度变化敏感问题,提出了一种基于多尺度对抗学习的人体姿态估计模型。该模型通过堆栈沙漏网络分别构建对抗网络中的生成器和判别器,再分别在生成器和判别器中引入多尺度监督损失函数,从而提高整个网络检测不同尺度人体部件的性能。为证明方法的有效性,采用了LSP、LSPE、FLIC和MPII 4个数据集进行人体姿态估计模型的训练与测试。结果表明,引入多尺度信息的人体姿态估计模型可提高0.7%的检测正确率;与现有的部分人体姿态估计算法相比,多尺度对抗学习算法具有更高的估计正确率。

全尺度特征聚合的高分辨率遥感影像变化检测网络

利用遥感影像检测地表变化对了解地表动态至关重要。近年来,基于深度学习的变化检测方法因其优异的特征提取和表达能力而成为研究的热点。在全卷积网络结构方法中,融合多尺度特征信息是提高变化检测性能的关键,以往方法大多采用跳跃连接或密集连接结构,一定程度上提高了变化检测方法的精度。然而,此类方法只对相同尺度上的特征进行融合,无法从多尺度上融合足够的信息而导致达不到令人满意结果。本文提出了一种全尺度特征聚合网络(FSANet),用于解决遥感影像变化检测问题。首先,使用孪生网络提取双时相影像的特征;然后,利用全尺度特征连接结构将提取的特征有效地连接起来,为了防止特征冗余,使用特征细化模块将特征细化;最后,为了优化模型训练,采用多尺度监督策略,在解码器中额外输出多个检测结果,共同计算最终的损失值。为了验证方法的可行性,本文使用LEVIR-CD数据集和SVCD数据集来评估模型。试验结果表明,本文方法优于其他主流的变化检测方法,同时在精度和复杂度之间有着较好的平衡。

基于深度残差网络的多人姿态估计

为了提高人体姿态估计的准确度和检测速度,提出了一种基于深度残差网络的多人姿态估计算法。首先使用现有的先进目标检测算法检测出人体位置,再在人体边界框内作单人姿态估计。对现有模型的残差块进行改造,降低了模型的参数量,加入多尺度监督模块和多尺度回归模块辅助训练,提高了模型的学习效率,并采用新的坐标提取方法进一步提高了模型的泛化能力和推理速度,在流行的MPII、COCO数据集上进行了训练和测试。MPII测试集上PCKh@0.5获得了92.1%的得分,2017 COCO test-dev集上mAP获得了72.4的得分,比Simple Baseline基准模型提高了2.4%。使用一张GTX1080Ti显卡对平均每帧有5个人体实例的图片进行推理时,运行速度达到26帧,推理速度极具竞争力。这充分证明了所提出的算法有效提高了人体关键点的识别精度和速度。

基于DeeplabV3+网络的高分遥感影像分类

针对卷积神经网络在遥感影像分类时遇到的模型参数量过大和分类精度低等问题,在DeeplabV3+网络的基础上,将编码器中的深层特征提取器替换为轻量化网络MobilenetV2和Xception_65,将解码器结构改为逐层特征融合实现解码区上采样的细化,引入通道注意力模块加强编解码器之间的信息关联,引入多尺度监督实现感受野自适应。构建4种具有不同编解码结构的网络,在CCF数据集上对网络进行验证测试。实验结果表明,编码器采用Xception_65,解码器同时引入逐层连接、通道注意力模块和多尺度监督的MS-XDeeplabV3+网络在减少模型参数量、加快模型训练速度的同时能更细化地物的边缘信息,提高对道路、水体等线状地物和草地的分类精度,像素总体精度和Kappa系数分别达0.9122和0.8646,在遥感影像分类中效果最佳。