基于激光雷达点云的动态驾驶场景多任务分割网络

在自动驾驶场景理解任务中进行准确的可行驶区域以及动静态物体分割对于后续的局部运动规划和运动控制至关重要。然而当前基于激光雷达点云的通用语义分割方法并不能在车端边缘计算设备上实现实时且鲁棒的预测,且不能预测当前时刻的物体运动状态。为解决该问题本文提出一种可行驶区域及动静态物体多任务分割网络MultiSegNet。该网络利用激光雷达输出的深度图及处理后得到的残差图像作为编码空间特征和运动特征的表征输入到网络用于特征学习,从而避免直接处理无序高密度点云。针对深度图在不同方向视角内目标分布数量差异较大的特点,本文提出了变分辨率分组输入策略。该方法能在降低网络计算量的同时提高网络的分割精度。为适配不同尺度目标所需要的卷积感受野尺寸本文提出了深度值引导的分层空洞卷积模块。同时本文为有效关联并融合不同时域下物体的空间位置和姿态信息提出了时空运动特征增强网络。为验证所提出MultiSegNet的有效性,本文在大规模点云驾驶场景数据集SemanticKITTI及nuScenes上进行验证。结果表明:可行驶区域、静态物体和动态物体的分割IoU分别达到98%、97%和70%,性能优于主流网络,且在边缘计算设备上实现实时推理。

基于双分支分割网络的复杂环境车道线检测方法

对车道线实现准确检测是自动驾驶中的关键技术。针对现有的车道线检测方法对复杂工况下的车道线检测精度不足的问题,提出一个面向复杂场景下的车道线检测模型。基于LaneNet网络设计一种双分支分割网络,利用网络模型中的损失函数使图像像素点占比提高,实现网络参数的优化。通过编码器与解码器结构对车道线采样,实现语义分割与车道线像素点嵌入分割;并通过自适应DBSCAN聚类算法实现对邻域半径和最小样本个数两个参数的自主选择,引入H-Net网络中的图像逆透视变换与车道线拟合实现检测。最后,利用图森数据集对所设计模型进行验证。结果表明,所提出的车道线检测模型有较高的精度,能实现复杂场景下的车道线检测。

基于语义分割网络的植保机器人视觉伺服控制方法

为实现稳定可靠的植保机器人视觉伺服控制,提出了一种基于语义分割网络的作物行特征检测方法。基于语义分割网络ESNet实现农田场景图像像素级带状区域检测,并利用最小二乘算法拟合得到每条行作物线特征;在此基础上通过设计一种主导航线提取算法获取导航路径,并利用卡尔曼滤波对主导航线几何参数进行平滑处理,有效抑制了不平整地面导致的机器人运动颠簸与视觉图像测量噪声引起的导航参数波动。继而构建机器人前轮转向、后轮差速的阿克曼运动学模型;在图像空间坐标下设计纯追踪控制器实现植保机器人的伺服运动控制。大田环境下的现场实验结果为:总体横向偏差为0.092 m,验证了本文方法的有效性。

基于语义分割网络的冬小麦遥感分类及变化分析

针对传统机器学习作物遥感分类模型泛化能力较弱等问题,本文评价并验证了不同语义分割网络在光谱特征和光谱+植被指数特征下的济源市冬小麦遥感分类模型的性能和分类精度。结果表明,较单一光谱特征,基于U-Net++和DeepLab V3+的光谱+植被指数特征模型损失函数和IoU值分别降低和提高了13.30%和7.83%、7.80%和5.54%。此外,基于U-Net++的2020—2023年冬小麦分类总体精度达93.47%~95.60%,较DeepLab V3+和随机森林分类的总体精度分别提高了0.12%~2.29%和4.84%~7.40%;景观度值也表明基于U-Net++的冬小麦分类结果具有更优的图斑完整度和紧凑度。最后,本文定量评价了不同年份冬小麦种植面积空间变化结果,为复杂地形条件下作物面积监测应用提供了方法支持。

基于CoTr分割网络的3D多器官CT图像分割

在医学图像分割领域U-Net已经成为了被应用最广泛的医学图像分割模型,许多有关医学图像分割的研究都用U-Net作为基线标准。以U-Net为基础的一系列变体分割模型也相继问世,其中包括CoTr,其为Convolutional neural network and a Transformer的简称。就如其名,CoTr是一个结合了卷积神经网络和Transformer,具有类似U-Net的U形结构的分割网络。CoTr构造卷积层以提取特征表示,并且构造有效的可变形Transformer (DeTrans)以对提取的特征图的长程依赖性进行建模。与平等对待所有关键位置的vanilla Transformer不同,DeTrans通过引入可变形的自注意机制,只关注一小部分关键位置。因此,DeTrans的计算和空间复杂性大大降低,使得处理多尺度和高分辨率特征图成为可能,而这些特征图通常对图像分割至关重要。CoTr模型在多模态腹部分割数据集(Amos数据集)上进行了广泛评估。结果表明,在3D多器官分割任务上,与其他基于CNN、基于Transformer和混合方法相比,CoTr带来了持续的性能改进。

U-net分割网络雷达弱小目标检测方法

常规雷达检测方法难以满足当前弱小目标检测需求,而检测前跟踪(TBD)方法在雷达弱小目标检测中存在计算复杂度高、复杂场景性能严重退化的问题.为此,本文提出了一种U-net分割网络的雷达弱小目标检测方法.首先,利用过低门限的多圈检测点形成待分割的图片;然后,利用U-net网络对实体目标进行分割,实现对弱小目标的有效探测.雷达实测数据测试结果表明,本文提出的方法能够大幅提升雷达对远距离小目标的跟踪距离,有效抑制虚假短航迹,为解决雷达弱小目标检测提供了新的解决思路.

乳腺癌超声图像的腋窝淋巴结特征指导分割网络

腋窝淋巴结超声图像分割是一项具有临床价值且存在挑战性的任务,对乳腺癌的诊断具有重要意义.为提升腋窝淋巴结临床分割精度,针对腋窝淋巴结超声图像特点,本文在编码器—解码器架构基础上,设计特征指导模块,实现特征提取中的特征高效融合和系数探索,并在此基础上提出腋窝淋巴结特征指导分割网络,实现超声图像中腋窝淋巴结的精准识别与分割.实验表明,本文算法在712张腋窝淋巴结超声图像数据集上的m-ACC为0.977,m-IoU为0.878,m-Dice为0.932,优于现有分割模型,分割结果可作为临床诊断参考,辅助乳腺癌腋窝淋巴结转移的精准诊断.

基于条件分割对抗网络的超声甲状腺结节分割

提出一种基于条件分割对抗网络(conditional segmentation adversarial network, cSegAN)的超声甲状腺结节分割模型。模型由分割器网络和判别器网络两个部分组成,其中分割器网络设计使用一种多扩张率卷积块联合对结节区域进行准确定位,通过学习提取结节深度和浅层特征信息,获得结节区域二值掩膜;判别器网络对比分割结果与金标准之间的差距对分割结果进行评估。经多次对抗训练,实验结果表明,本文所提模型像素精度达到0.953 1,优于其他分割模型,可以更加准确地实现超声甲状腺结节分割。

融合多尺度特征的残差车道线检测网络

针对车道线分布范围广、占像素少、特征不易提取的问题,本文构建了一种基于多尺度特征融合的残差车道线检测网络。首先,以残差双边网络为基础,采用双边特征聚合模块,利用语义分支的上下文信息指导同一阶段的细节分支的特征响应,并融合两分支的信息;然后,针对不同阶段具有不同尺度,使用多尺度自适应特征对齐融合模块,构建采样前后偏移向量索引表,降低因简单采样而造成的细节信息缺失;最后,引入空间注意力机制,增强模型的长距离特征捕捉能力。试验结果表明,本文模型在3个公开数据集上均取得了良好效果,其中在CULane数据集上的准确度达77.89%,比目前主流算法高2%。

基于改进DDRNet网络的遥感影像山体滑坡识别

山体滑坡是一种极具毁灭性的自然灾害,滑坡灾害识别和调查是预防灾害工作的重要基础。传统山体滑坡识别方法、识别精度和自动化程度均较低,为此,本文提出一种基于深度学习分割网络的山体滑坡识别算法。首先,使用双分辨率网络模型作为主干网络,然后在主干网络中添加卷积注意力机制模块,以增加模型对滑坡特征提取能力,最后在训练阶段添加辅助损失函数,以增加模型对滑坡特征拟合能力。实验表明:与常用的分割模型相比,准确率、召回率、F1得分和平均交并比均有5%左右提升,参数量下降2/3左右;表示所提模型具有较好的滑坡检测能力,可高效精确定位滑坡位置。

采用双流网络结构的虹膜卷缩轮检测方法

针对虹膜卷缩轮检测易受干扰而导致边界定位波动的问题,提出一种基于双流网络结构的虹膜卷缩轮检测方法。在归一化图像中,利用双流网络结构分别提取结构特征和纹理特征。融合模块融合来自不同流的特征,得到初定位区域。对该区域进行滤波操作,去除噪声干扰。利用边缘梯度算子检测、提取卷缩轮。实验结果表明,该方法正确检出率为91.2%,边缘定位AP值为0.706,平均检测速度为2.3秒/幅,相比其它算法,存在复杂干扰的情况下,保证检出率和检测速度的基础上,降低了边界波动。

我国有组织犯罪的结构嬗变、治理挑战及路径选择——基于有组织犯罪的网络“分割化”趋势

在互联网技术高速发展的时代背景下,传统的有组织犯罪与网络犯罪不断融合,有组织犯罪的网络“分割化”趋势凸显。在该趋势影响下,网络有组织犯罪出现了嬗变,表现为组织特征的部分消解和行为特征的网络分解,给司法实践中网络有组织犯罪的治理带来挑战。有必要完善对有组织犯罪的评价模式,秉持网络“分割化”趋势下有组织犯罪是传统有组织犯罪的嬗变发展的立场,推动“打早打小”刑事政策更好适用于网络“分割化”趋势下的有组织犯罪治理,修正有组织犯罪组织认定标准,由此来构建精准高效的网络有组织犯罪治理模式。

多尺度注意力引导的全景分割网络

全景分割是近年来新提出的图像分割任务。现有全景分割模型大都对前景实例对象和背景未定形区采用不同的方式进行特征表示,因此需要额外的后处理和融合操作来处理各种实例重叠和语义冲突问题。全卷积全景分割网络实现了统一的特征表示,省去了这些复杂操作,但其对于前景实例对象的分割准确率不高,对图像中远距离小目标的分割效果不是很理想。针对这些问题,基于全卷积全景分割网络进行改进优化,提出一种多尺度注意力引导的全景分割网络。首先改进特征提取网络,通过在主干网中添加一条自底向上的辅助路径来增强模型的多尺度特征获取能力。其次提出一种注意力模块,通过将空洞空间金字塔池化与通道注意力融合,来引导卷积核更新,生成更匹配的权重。在Cityscapes数据集上与全卷积全景分割网络进行对比实验,图像实例级全景分割质量提高了2.74个百分点,背景未定形区全景分割质量和综合全景分割质量分别提高了1.36个百分点和1.94个百分点,对于交通灯和摩托车等小物体的类别检测准确率分别提高了4.4个百分点和8.3个百分点。提出的全景分割网络综合了全卷积全景分割网络、多尺度特征及注意力机制的优点,使得图像实例级全景分割准确率更高。

基于改进U-Net网络的遥感影像农村道路矢量中心线提取及优化

遥感影像中农村道路矢量中心线的准确提取对乡村规划和地理信息数据库建设具有重要意义。针对现有深度学习方法未能充分利用上下文信息,且在下采样过程中易造成图像分辨率下降和局部特征丢失的问题,该文改进U-Net网络模型以提高提取结果的准确性。首先,网络结构设计两次下采样处理,并将上下文两处特征信息用跳跃层连接,使输出的道路细节清晰;其次,为避免样本不均衡导致训练效果不理想,采用交叉熵损失函数与广义骰子损失函数叠加的方式提升训练效果;最后,采用邻域质心投票算法和融合算法对提取的道路进行矢量化和中心线优化,得到高精度的农村道路矢量中心线。试验结果表明:改进方法在复杂场景的农村道路矢量中心线提取中准确率达95.03%,较4种对比算法(U-Net、DC-Net、PA-Net、SM-Net)具有明显优势。

基于分割网络的海滩泡沫浮球遥感影像自动识别应用研究

通过人工目视解译福建沿海23个岸段无人机影像,获取到足够的泡沫浮球样本数据。对4个语义分割网络模型进行训练,对比现有3种主流结构(CNN、CNN+Transformer、Transformer)在海滩塑料泡沫浮球分割任务上的识别效果。实验结果表明:Transunet网络与U-net、DeepLabv3+、Swin-Unet对比,对于不同密集程度、不同大小的海滩塑料泡沫浮球有更高的识别精度。对网络结构而言,CNN+Transformer结构的语义分割网络具有更高的识别精度,可以更好地应对复杂的海滩环境,在实际应用中具有很大的潜力。对识别场景而言,Transunet在所有场景中都表现最佳。对比现有不同结构语义分割网络,为海滩塑料泡沫浮球自动识别提供了一种可行的解决方案。

基于YOLACT网络的移动机器人视觉SLAM算法

提出一种室内动态场景的视觉SLAM算法,引入实例分割网络YOLACT,剔除大部分动态点,利用多视图几何进一步过滤分割掩膜外未被剔除的动态特征点,使用剩余的静态特征点作为相机位姿估计;同时构建点云地图,转换并建立八叉树地图;使用背景修复以恢复被剔除动态物体后的背景。为验证算法的有效性,使用TUM数据集测试,并与ORB-SLAM2算法和其他处理动态场景的SLAM算法对比,结果表明,提出的算法在高动态数据集上表现良好。相较于ORB-SLAM2算法,提出的算法在室内动态场景中的定位精度提升93.06%,可应用于后期机器人定位导航使用。

基于视觉语义分割算法的电力信息化平台多媒体元素自动提取模型

在电力信息化平台中,提取所需多媒体元素时面临图像滤波去噪效果不佳、图像质量粗糙以及提取效果受偏态指标影响较大的问题,因此,提出一种基于视觉语义分割算法的电力信息化平台多媒体元素自动提取模型。该模型采用图像滤波去噪增强算法,通过脉冲检测多媒体图像极值找出多媒体图像噪声点,结合自适应中值滤波,完成电力信息化平台中多媒体图像滤波去噪处理;构建由全卷积分割网络和区域建议网络组成的视觉语义分割网络,将处理后的多媒体图像作为视觉语义分割网络输入,通过全卷积分割网络分割预处理后多媒体图像,提取多媒体元素,结合区域建议网络获取的包含类别标记信息的区域建议框,优化全卷积分割网络多媒体元素提取效果。实验结果表明:该模型预处理后的多媒体图像清晰度较高,可有效提取所需多媒体元素,且不同偏态程度下的多媒体元素提取时间在2.2 s至2.4 s之间,提取效率更高。

用于分布式故障诊断系统的新型网络分割法

大规模电力网络的故障诊断问题可由分布式人工智能技术有效地解决。文中提出了一种用于分布式故障诊断系统的有效的网络分割方法 ,能够将大规模电力网络分割为给定数目的连通子网络 ,各子网络的故障诊断负担基本相等 ,同时每个子网络边界元件的数目最小。该网络分割法主要由 3部分组成 :形成给定电力网络的深度优先搜索树 ;将网络分割为连通的且计算负担基本平衡的子网络 ;最小化子网络的边界元件数目以尽可能减小相邻子网络故障诊断的相互重叠 ,从而节省诊断时间。提出的网络分割法已使用稀疏存储技术编程实现 ,并在 IEEE 1 4母线、30母线和 1 1 8母线系统中进行了仿真研究。结果表明该网络分割法可以十分有效地分割大规模电力网络 。

基于网络分割的电力系统潮流分解协调计算

因现有计算模式的速度已无法满足现代大规模电力系统实时计算的要求,故引入对等计算(P2P)模式以提供低廉而充足的计算力。为此研究了网络计算环境下的电力系统潮流计算模型,结合基于支路切割的网络分割方法和基于注入电流的潮流模型,提出了基于网络分割的电力系统潮流分解协调算法,将大规模互联电力系统分解成若干子网络,子网络间只需交换边界母线的电压状态就可完成分布式潮流计算,保证各个子网络潮流计算模型的独立性。对IEEE标准系统进行潮流计算的结果表明该法具有较高的收敛速度和计算精度,适合网络计算环境。

基于网络分割及旁侧路径搜索的输电断面识别方法

在潮流转移特性分析的基础上,提出一种基于网络分割及旁侧路径搜索的输电断面识别方法。该方法立足图论思想构建电网拓扑模型及关系矩阵,利用网络分割简化系统结构,准确限定开断支路的输电断面存在范围;基于提出的删除添加算法建立旁侧通路路径库,获得各支路分流系数,据此识别输电断面并得到其敏感度排序。仿真结果证明所提方法的正确性与有效性。