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。

基于轻量编码解码结构的人像分割网络

论文提出了一种轻量人像分割方法。首先,该网络基于编码器-解码器的U型架构,采用非完全对称结构,其次引入深度可分离卷积。然后在训练阶段添加了边缘辅助损失函数。最后在初步分割结果的基础上引入精细化块来对边缘进行细化提升了分割精度。在EG1800数据集上将所提网络与PortraitFCN+、UNet、ENet和BiSeNet等网络进行对比实验,实验结果表明,所提出的网络可以提高图像推理速度和分割效果,并能够在分辨率为256×256的RGB图像获得96.41%的分割准确率。