基于密集连接SSD算法的多光谱行人检测

行人检测在计算机视觉领域是一个热门的研究方向,在自动驾驶和视频监控等应用中广泛使用。为满足全时段行人实时检测的需求,提出一种基于密集连接的SSD算法。该方法以原始SSD算法为基础网络架构,将模型中的附加特征提取层改为密集跳层连接的结构,并引入特征融合结构来融合红外和可见光图像的特征。在KAIST数据集上的实验结果表明,相比于经典的SSD算法,该算法模型更小、精度更高,且满足实时检测的需求,适合部署在资源受限的移动终端设备上。

改进的遥感图像语义分割算法

针对遥感图像中多个目标聚集导致边缘混淆,小尺度物体分割不明显,以及语义分割过程中全局信息获取不足的问题,提出了一种基于混合注意力与全尺度跳层连接网络的遥感图像语义分割算法DU-net。该算法以U-net3+为基础网络,采用全尺度跳层连接网络作为特征提取网络,摒弃了原算法中的深度监督,建立特征与注意力机制之间的关联,最终实现语义分割的过程。实验结果表明,DU-net算法在不同指标下较经典算法都有明显提升,同时提高了图像边缘分割质量,改善了算法对小尺度目标的分割准确度。

用于肺部病灶图像分割的多尺度稠密融合网络

针对主流的深度学习网络难以完整分割肺部病灶、区域边界预测模糊的问题,提出一种基于U-Net的多尺度稠密融合网络(MDF-Net)。首先,引入多分支密集跳层连接以捕获多级上下文信息,并在网络末端引入信息加权融合(IWF)模块进行逐级融合,以解决网络中的特征损失问题;其次,设计一种自注意力金字塔模块,使用各金字塔层对特征图进行不同规模的切分处理,并使用自注意力机制计算像素关联度,从而增强局部与全局区域的感染特征显著性;最后,设计一种区别于传统U-Net的上采样模式的上采样残差(UR)模块,多分支的残差结构与通道特征激励使网络能够还原更加丰富的微小病灶特征。在两个公开数据集上的实验结果显示,与UNeXt相比,所提网络的准确度(ACC)分别提升了1.5%和1.4%,平均交并比(MIoU)分别提升了3.9%和1.9%,实验结果验证了MDF-Net具有更好的肺部病灶分割性能。

基于混合神经网络模型的企业行业分类

针对人工行业分类效率低下、准确性不高等问题,提出一种基于混合神经网络的行业分类模型。该分类模型采用RoBERTa预训练语言模型对企业经营范围文本特征进行提取,构建基于GRU的候选集生成网络生成行业类别候选集,通过外部知识嵌入补充额外信息,并将外部知识特征与经营范围特征进行融合,完成企业行业分类。通过在所构建的企业数据集上进行验证可知,其准确率达到83.78%,实验结果证明了该模型可以获得更加丰富的特征,相比其他方法取得了更好的行业分类效果。