基于多尺度串联空洞卷积的轻量化UNet香蕉图像分割

针对香蕉果串识别系统中传统的UNet网络存在实时性差、参数量多、下采样后丢失空间信息等问题,该研究提出基于UNet模型的轻量化分割网络,构造一个轻量级的主干特征提取模块,在降低模型参数量和计算量的同时增强网络提取特征的能力,使用膨胀率为[2,1,2]锯齿波形的多尺度串联空洞卷积组合在增大感受野的同时保持对细节的敏感度。该研究算法在自建香蕉果串数据集上的试验结果表明,网络参数量为0.45 M时,香蕉果串识别分割速度可达41.0帧/s,平均像素分类准确率为97.32%、交并比为92.57%。相比于其他模型具有准确率高、参数量小等优点,能够较好地实现精度和速度的均衡。该算法对自然种植环境下的香蕉果串具有良好的识别效果,可为智能化香蕉采摘等应用提供视觉识别技术支持。

改进UNet++的遥感影像森林变化检测方法

针对森林覆盖变化检测任务,现有的基于深度学习模型存在结构复杂且忽视光谱与空间协同关系的问题,导致检测效果并不理想。为了解决这个问题,本研究提出一种结合多尺度空间解耦卷积(MSDConv)和空-谱特征协同策略(SSFC)的改进UNet++轻量级森林覆盖变化检测方法。首先,基于UNet++网络构建一个非权重共享伪孪生网络,增加少量参数便能实现更好的特征提取,采用MSDConv模块捕捉变化对象的多尺度特征,减少信息冗余和参数计算;其次,在MSDConv中引入SSFC,获取空间和谱间的三维注意力权重且不增加额外参数,使得MSDConv获取更丰富的边缘和细节特征;最后,使用6种植被指数增强森林覆盖变化特征。结果表明,本研究提出的模型森林覆盖变化检测精度、召回率和F1分数分别为93.12%,93.62%和93.37%,模型参数量和计算量分别为6.28 MB和11.25 GB。与原始Sami-UNet++方法对比,本研究提出的模型准确率、召回率和F1分数仅分别下降1.41%、1.66%和1.53%,但参数量与计算量分别降低5.76 MB和16.19 GB。本研究提出的模型显著提高了森林覆盖变化检测任务的检测效率,对于需要处理大量图像数据的森林覆盖变化检测任务具有重要的意义,可为森林灾害的评估以及森林资源的保护提供技术手段。

L-UNet:轻量化云遮挡道路提取网络

目的道路提取是常见的遥感应用之一。现有的基于深度卷积网络的道路提取方法往往未考虑云遮挡给道路提取带来的影响,且提取网络模型较大,不利于在移动端部署,同时缺乏用于云遮挡场景下的道路提取数据集。对此,本文提出一种轻量化的UNet网络(lightweight UNet,L-UNet),高效地实现云遮挡下的道路提取。方法通过柏林噪声模拟云层以扩展现有道路提取数据集,进而训练L-UNet。使用移动翻转瓶颈卷积模块作为特征提取的主要结构,在深度可分离卷积的基础上加入扩展卷积和压缩激励模块,在减少参数量的同时大幅提升了分割效果。结果在DeepGlobe道路提取扩展数据集的测试中,与D-LinkNet相比,L-UNet的交并比(intersection over union,IoU)提升了1.97%,而参数量仅为D-LinkNet的1/5。在真实云遮挡遥感图像道路提取测试中,L-UNet的性能仍然最优,与D-LinkNet和UNet相比,IoU值分别提高19.47%和31.87%。结论L-UNet网络具有一定的云遮挡区域下道路标签生成能力,虽然在模拟云遮挡数据集下训练得到,但对于真实云遮挡仍具有较强的鲁棒性。L-UNet模型参数量很小,易于嵌入移动端。