基于语句模板的遥感影像地物空间关系语义理解

空间关系作为连接地物目标的纽带,是遥感影像语义理解的重要内容。基于编码-解码模型的图像字幕网络能使用自然语言对目标间的空间关系进行表达,但其结构复杂,且需要为训练RNN提供大量语料样本,生成的空间关系描述语句准确率不高。因此,文中提出基于语句模板的遥感影像地物空间关系语义理解方法,该方法的模型结构简单,不需要大量语料样本进行训练,且能生成合理的空间关系描述语句。实验结果表明,该方法生成的描述语句相比编码-解码模型,定量评价的分数相近,定性评价的准确率高约30%,且该方法泛化性能较好,能应用于不同领域的遥感影像中,为遥感影像添加语义信息。

基于YOLOv3的施工场景安全帽佩戴的图像描述

近年来,因工人未佩戴安全帽而造成的施工事故频繁发生,为降低事故发生率,对工人安全帽佩戴情况进行图像描述的研究。当前基于神经网络的图像描述方法缺乏可解释性且细节描述不充分,施工场景图像描述的研究较为匮乏,针对该问题,提出采用YOLOv3(You Only Look Once)的检测算法,以及基于语义规则和语句模板相结合的方法递进式地生成安全帽佩戴的描述语句。首先,采集数据,制作安全帽佩戴检测数据集和图像字幕数据集;其次,使用K-means算法确定适用于该数据集的锚框参数值,用以YOLOv3网络的训练与检测;再次,预定义一个语义规则,结合目标检测结果来提取视觉概念;最后,将提取出的视觉概念填充进由图像字幕标注生成的语句模板,以生成关于施工场景中工人安全帽佩戴的图像描述语句。使用Ubuntu16.04系统和Keras深度学习框架搭建实验环境,在自制的安全帽佩戴数据集上进行不同算法的对比实验。实验结果表明,所提方法不仅能够有效界定安全帽佩戴者和未佩戴者的数量,而且在BLEU-1和CIDEr评价指标上的得分分别达到了0.722和0.957,相比其他方法分别提高了6.9%和14.8%,证明了该方法的有效性和优越性。

一种基于语义的文本隐藏方法

本文提出了一种基于语义的文本隐藏算法，通过构建语句模板和用户字典，由秘密消息直接映射成与自然文本相似的载密文本。文章通过实验验证了该算法的可行性，并对算法性能进行了深入分析，结果表明，算法的容量水平较同义词替换算法高，安全性能较stego字典隐藏法好。