基于改进DeeplabV3+的遥感图像道路分割模型

针对遥感图像道路分割边界模糊和遮挡难以区分的问题,提出了基于改进DeeplabV3+的遥感图像道路分割模型。该模型在主干网络中引入MobileNetV3和高效通道注意力机制(ECA),减少了参数量并关注连续的道路特征信息。在解码过程中采用多级上采样,增强了编码器和解码器之间的紧密连接,全面保留了细节信息。同时,在ASPP模块中采用深度可分离膨胀卷积DS-ASPP,显著减少了参数量。实验结果表明,该模型在Massachusetts Roads数据集上的交并比达到了83.71%,准确率达到了93.71%,分割精度最优,模型参数量为55.57×10^(6),能够有效地避免边界模糊和遮挡导致的错漏检问题,在遥感道路分割中提高了精度和速度。

基于级联U-Net的遥感影像道路分割和轮廓提取方法

针对基于深度学习的遥感图像道路信息提取模型往往只能输出单任务结果且多任务之间相关性利用不充分的问题,提出了一种基于级联U-Net的道路语义分割和轮廓联合检测方法,将道路语义分割后的特征图与原始图像融合后进行道路轮廓的提取,实现道路语义分割和边界轮廓的联合训练。首先使用U-Net网络结构提取光学遥感图像丰富的层次化特征,通过级联结构将特征串联融合,分别用于提取道路的语义类别和边界轮廓。其次在每级U-Net结构中引入注意力机制模块,进行空间上下文信息和深层次特征提取,改善网络提取过程中出现的细节模糊现象。最后,使用骰子系数和交叉熵误差组成的联合损失函数进行多任务整体训练,实现深度学习模型对遥感图像中道路语义类别和边界轮廓的同时提取。通过在加拿大渥太华城市地区的光学遥感数据集上进行实验,基于级联U-Net的道路信息联合提取方法在分割指标上分别获得了42%的精确度、58%的召回率、48.2%的F1分数以及71.6%的平均交并比,在道路检测指标上取得了0.896的全局最佳阈值(ODS)。结果表明,该模型在满足联合提取道路多任务信息的同时具有更优的检测精度。

基于改进UNet的非结构化道路分割算法研究

相对于结构化道路来说,非结构化道路的道路特征更少。针对非结构化道路分割问题,本文在UNet模型的基础上,采用加深网络层数和引入ECA注意力机制提高模型的特征提取能力,并在编码阶段融入残差网络代替原模型中的VGG16,在瓶颈阶段加入ASPP扩大模型感受野,在解码阶段加入深度监督模块获得图像各层特征信息,使最后的分割结果更加精准。在非结构化道路数据集上的实验结果表明,本文方法的准确率和平均交并比分别为97.55%和83.22%,比原UNet模型和DeeplabV3模型的性能更好。

基于CA-TransUNet的遥感图像道路分割

针对在背景复杂、地物信息丰富的光学遥感图像中分割道路时存在漏判、误判的问题,提出一种基于CA-TransUNet的遥感图像道路分割方法。以含有多头自注意力的语义分割网络TransUNet为基准,在特征提取模块融入空洞空间金字塔池化,获得不同视野的特征图,通过对各通道信息的整合,增强对多尺度特征的提取;在级联的上采样模块加入混合注意力机制,减少上采样过程细节信息损失,抑制对无关边界信息的注意,并增强道路特征;选择Dice损失函数和二元交叉熵损失联合优化,使光学遥感图像的道路分割更加准确。实验结果表明,提出方法在DeepGlobe数据集上获得的IoU值和F1指数中分别达到56.53%、71.48%,准确率高达97.32%,均高于其他经典遥感图像道路分割算法。在分割周边背景复杂、受障碍物遮挡和细窄道路等情况的遥感图像时,改进的算法能够有效地进行道路分割。

基于深度卷积神经网络的场景自适应道路分割算法

现有基于机器学习的道路分割方法存在当训练样本和目标场景样本分布不匹配时检测效果下降显著的缺陷。针对该问题,该文提出一种基于深度卷积网络和自编码器的场景自适应道路分割算法。首先,采用较为经典的基于慢特征分析(SFA)和Gentle Boost的方法,实现了带标签置信度样本的在线选取;其次,利用深度卷积神经网络(DCNN)深度结构的特征自动抽取能力,辅以特征自编码器对源-目标场景下特征相似度度量,提出了一种采用复合深度结构的场景自适应分类器模型并设计了训练方法。在KITTI测试库的测试结果表明,所提算法较现有非场景自适应道路分割算法具有较大的优越性,在检测率上平均提升约4.5%。

基于消失点和主方向估计的道路分割算法

现有基于消失点估计的道路分割算法要求消失点位于图像内部,并且算法计算复杂度高,难以排除局部纹理特征较强的干扰点.针对这些问题,提出一种基于道路主方向的消失点估计和道路分割算法.首先根据道路主方向的定义对有效投票点进行筛选,然后提出一种多维投票策略,记录待定消失点在各纹理方向的投票信息,并运用该信息判断消失点是否在图像内;最后提出基于道路主方向的边界拟合策略,利用多维投票数据来进行道路边界提取.主观评价和量化分析表明,与经典算法相比,所提算法具有更好的精确度和执行速度,并且当消失点位于图像外部时算法仍有较好的分割效果.

基于彩色和边缘信息融合的道路分割算法

为了提高非结构化道路识别算法的有效性,提出了一种道路分割的新方法,建立了道路区域和非道路区域混合高斯彩色模型,根据像素隶属于彩色模型的概率进行基于彩色信息道路分割.利用彩色分割的结果对提取的图像边缘进行有效约束,抑止大量非道路边沿所产生的图像边缘.并且将彩色分割结果和道路图像的边缘信息融合,利用道路图像边缘信息对真实道路边沿定位的精确性和彩色信息对道路区域分割的适应性,通过动态规划算法求解出真实的道路边沿.实验结果表明,提出的新方法可以有效地分割出道路区域,对各种路况具有良好的适应性.

基于形状先验和Graph Cuts原理的道路分割新方法

从遥感影像中提取道路一直是研究热点,但还没有一个普适有效的策略。本文给出一种新的直接针对道路段的分割方案,首先获得道路的初始段,再利用Graph Cuts解算融合两种形状先验的能量函数,向初始段两端动态外推以获取一条完整道路,最后通过对不同遥感图像的试验验证了该算法的有效性。

基于纹理特征的非结构化道路分割算法

为了提取出智能车在视觉导航系统中可行驶的区域,提出了一种基于纹理特征的算法,用于分割出城市的非结构化道路中可行的道路区域。首先,为了提取出车道中车辙印对应的纹理特征,通过选取2个频率8个方向的Gabor模板对图像进行变换分析,得到各个像素点的纹理强度以及方向特征,利用其方向特征值对候选消失点进行投票,得票最高点即道路消失点,然后提取出有效投票区域中的直线斜率,建立通过消失点的直线方程来划分出可行的道路区域。实验结果表明,该算法在强光照以及夜间场景下可有效地分割出可行的道路区域,并且不受阴影的影响。

基于BP神经网络模型的遥感图像道路分割处理方法研究

图像分割是军事目标识别的主要处理方法.由于神经网络对于解决目标识别问题具有适合用于高速并行处理系统、可以实现特征空间较为复杂的划分等优势,采用神经网络模型在复杂的遥感图像背景中,识别出宽度很小的道路是较为理想的.在简单介绍BP神经网络模型的基础上,论述了BP神经网络模型在目标识别中关于道路分割问题的处理方法,并以实例证明了采用BP神经网络模型对遥感图像进行分割,得到的结果图像能够从复杂的背景图像中分割出道路,并能清楚地反映道路的方向和分叉,对于遥感图像的目标识别有重要的实用价值.

基于融合信息的道路分割方法

基于融合信息的道路分割方法邬永革，杨静宇（南京理工大学计算机系南京２１００１４）关键词：证据理论；信息融合；属性金字塔；道路分割ｌ引言道路分割技术是室外机器人视觉系统实现道路跟踪的基础．本文提出的基于融合信息的道路分割技术利用ＤｅｍＰｓｔｅｒ．Ｓｈａ...

彩色图像区域生长算法的道路分割识别

将彩色图像区域生长算法应用到智能交通的道路分割中。针对彩色图像,提出了一种简单的颜色特征提取方法。该方法利用中值点法来改进其中种子点的选取方法,并结合RGB彩色空间中像素点的性质确定区域生长准则和终止准则。实验结果表明:该方法在保证区域连通性的同时,也能够有效的分割出道路区域,同时对各种路况有良好的适应性。

道路分割精度对交通噪声模拟的影响

根据7条珠江新城主要道路的交通流实测数据,结合标准ISO 9613-2噪声计算模型,采用不同的道路分割精度模拟出整个珠江新城的交通噪声分布,以分析不同道路分割精度对交通噪声模拟的影响。另外,在珠江新城选取8个地点进行噪声值实地采集,以评估噪声模拟值与实测值的误差。结果表明,以接收点为中心,扫描角度不大于5度的道路分割方式对交通噪声模拟效果较好。

基于字典学习与稀疏表示的非结构化道路分割方法

针对野外环境自主车视觉导航问题,提出了一种新颖的基于字典学习与稀疏表示的道路分割算法。该算法以局部图像小片为处理单元,通过选取典型道路图像学习得到路面图像小片的一组字典,并利用车辆前方的一小块区域作为监督,通过在线字典学习对字典进行实时更新,使路面图像小片可在该字典上精确稀疏表示,而非路面图像小片则不能。因此建立了基于字典学习与稀疏表示的分类框架,利用局部图像小片在字典上的稀疏重构误差进行分类。大量实验结果表明,该算法能够适应多变的非结构化道路环境,且对光照、阴影及水坑等具有较好的鲁棒性。

基于深度学习的卫星图像道路分割算法

针对道路分割时存在的梯度消失问题,构建基于U-Net的卫星道路图像语义分割模型。通过密集连接模块减少梯度消失,并引入空间空洞金字塔结构保留更多的图像特征,在学习深层次特征信息时采用注意力监督机制,提取道路要素的特征信息。在卫星图像道路数据集上的测试结果表明,与FCN、SegNet、U_Net算法相比,该算法模型的准确率、召回率和精确率指标分别达到96.3%、96.9%和96.6%,能够有效地对道路元素进行准确分割。

结合密集注意力和并行上采样的遥感图像道路分割

针对高分辨率遥感图像中道路背景信息复杂且细节信息易丢失导致分割精度低的问题,本文提出一种结合密集注意力和并行上采样的遥感图像道路分割网络.在U型网络编码器-解码器的中间部分设计了密集空洞空间金字塔注意力模块,其中空间注意力分支可扩大有效感受野并获取密集的多尺度空间信息,通道注意力分支有利于提取全局信息并增强通道间的相关性,结合空间和通道注意力建立全局上下文依赖关系,减少背景信息的干扰;在解码器部分提出多路并行上采样模块,将不同尺度的特征图进行通道衰减后上采样恢复到原始图像大小,并行的特征图增强了分割模型结合多层次特征的能力,且更有利于道路细节信息的保持.实验结果表明,本文方法在DeepGlobe数据集上测试的召回率、准确率、精准率和F1-score分别达到0.805、0.994、0.821和0.803,各项指标以及分割效果均优于目前主流的遥感图像道路分割算法.

一种自适应的区域生长算法用于道路分割

针对汽车在高速公路上行驶的道路区域分割问题,以路面颜色特征为研究对象,提出了一种将聚类分析应用于区域生长准则的算法,实现道路分割。为了提高算法的精确度,对图像进行预处理,消除车道线对道路分割的干扰。根据图像预处理之后道路信息分布的特点,将图像分为3块子区域分别用不同的算法进行检测。对于道路信息丰富,非道路信息也较多的中部区域,在传统区域生长的基础上结合聚类分析,提出了一种自适应生长准则的区域生长算法。该算法既能适应高速公路各种行驶环境,且实时性好、可靠性高、鲁棒性强。

基于多特征融合和条件随机场的道路分割

针对复杂交通场景图像中路面分割难度大和分割边缘粗糙的问题,提出了一种基于多特征融合和条件随机场的道路分割方法.首先,提取图像的纹理基元特征与颜色特征;然后,将道路分割问题视为一个基于像素的二分类问题,融合所提取的两种特征,使用SVM分类器实现对交通场景图像中路面区域与背景区域的粗糙划分;最后,利用全连接条件随机场中的颜色与位置约束,对分割结果进行优化,获得更加平滑的分割边缘,并与其他分割算法进行对比.实验结果表明,基于多特征融合与条件随机场的道路分割算法获得了95.37%的平均分割准确率和94.55%的平均像素精度.

融合批规范化编解码网络架构的道路分割

在城市道路环境中,无人车驾驶是一项极具挑战性的任务,除了借助各种传感器感知自身运行状态和周围环境信息外,无人车视觉导航系统中的各种障碍物检测、道路分割也是无人车驾驶导航系统中的关键问题。针对无人驾驶汽车在城市环境下行驶难度大等热点问题,采用基于编解码架构模型的道路分割算法框架,通过卷积与反卷积过程完成像素级别的分类,此外,针对深层卷积网络没有考虑学习率等参数的数据稳定分布性问题,在每一次卷积操作后加入批规范化计算,增强模型训练过程中参数调优的稳定性。在KITTI的道路实况数据集上测试准确率达到96.0821%,说明融合批规范化的编解码网络模型对道路分割具有优良的鲁棒性。

基于特征自干扰与像素注意力机制的道路分割网络

主流网络在提取图片特征过程中易受其他目标干扰导致特征鲁棒性降低,而现有的基于噪声抗干扰机制有着伪特征与真实特征相似度不高这一劣势;注意力机制的运用可以提升道路场景特征的空间上下文关系从而增强特征的抗干扰能力,但现有的注意力机制缺乏像素级的特征筛选。针对上述问题提出了基于图像特征自干扰与像素注意力机制的道路分割网络,该网络分为主干分割网络和特征自干扰网络两部分,主干的分割网络包含像素注意力模块,可实现真实特征的提取和像素级的增强;自干扰网络输入原始图像随机裁剪和插值放大后得到的局部图生成伪特征,此外提出了融合模块用于实现伪特征与真实特征的融合并对主分割网络中间特征进行干扰。在KITTI和Cityscapes道路数据库上的实验表明:基于图像特征自干扰与像素注意力机制的分割方法与DeepLab V3分割方法相比,在KITTI数据集上的分割精度由88.02%提升至90.55%,在Cityscapes数据集上的分割精度由87.15%提升至90.16%。