目标上下文卷积神经网络高分遥感影像语义分割

针对传统卷积神经网络高分影像语义分割方法中忽略全局影像中目标像素之间关系的问题,文章显式地对全局空间目标上下文建模,将目标上下文卷积神经网络用于高分遥感影像语义分割,使用的方法包含粗分割分支和精细分割分支两个分支网络。首先,利用粗语义分割分支获得每一个像素的类别概率分布;然后,基于得到的类别概率分布和精分割的特征图获得每个类别的特征中心,根据类别特征中心对每个像素进行编码得到融合全局目标上下文的编码特征;最后,将像素的编码特征和精分割特征叠加,作为最终的表达特征用于精分割分支的语义分割任务。为验证算法在高分遥感影像分割的有效性,文章在GID和WHU building两个语义分割数据集上进行实验。相比于PointRend网络,文章使用的方法将两个数据集上的MIoU指标分别提高了1.87和1.32。实验结果证明,该算法可以有效利用全局空间目标上下文进行特征融合,提高高分影像语义分割精度。

多层卷积特征融合的行人检测

针对小目标以及遮挡严重的场景下的行人目标检测准确率较低的问题,提出一种卷积层信息融合的方法。根据经典卷积神经网络的设计特点,融合不同尺度的卷积特征信息;在此基础上,尝试将目标全局以及局部上下文信息进一步融合。在VOC数据集以及Brainwash数据集上验证该模型的性能,实验结果表明,这种卷积特征融合对于多尺度的物体以及目标遮挡问题,可有效提升目标检测的准确率。