基于卷积神经网络的建筑物提取

利用遥感图像进行建筑物提取在城市规划、土地利用调查等领域发挥了重要作用。然而,图像中建筑物类型多样,尺度大小不一的特点给自动提取带来了较大的挑战。针对遥感图像提取中大型建筑物容易出现空洞、小型建筑物容易漏检的问题,文章设计了一种融合多尺度特征与非局部计算的方法。该方法采用编码器-解码器结构,首先利用Res2Net50作为编码器以提高多尺度特征提取能力,然后在解码器部分引入非局部计算模块获取上下文信息,以进一步改善不同尺度建筑物的提取结果。结果表明,该方法在建筑物数据集WHU上的评价指标IoU和F1分别达到了89.65%和94.55%,比改进前的UNet网络分别提高了1.52%和0.86%,验证了新方法的有效性。

全局区分性增强与边界监督的篡改检测网络

基于深度学习的篡改检测网络通常忽视了全局通道特征间的差异性且未有效利用全局相关性,造成篡改检测结果误检率和漏检率较高。为解决该问题,构建一种新的篡改检测网络。利用双残差网络和限制卷积层构建特征提取主干网络层,提取待检测目标的双视图多尺度特征。建立全局信息增强模块,引入非局部注意力计算方式,计算各尺度通道的低维全局性相关程度,并将其作为增强参数对全局特征进行区分性增强操作。设计新的边界监督方式,通过对预测结果提取边界信息创建边界掩码图像以计算边界辅助损失,利用反向学习以引导全局特征集中于篡改区域,实现监督性篡改检测。在CASIA、COVER、NIST16、Columbia数据集上的实验结果表明,该网络能有效降低篡改检测结果的误检率和漏检率,像素级F1分数相比于性能最优的同类MVSS-Net平均提升了2.3个百分点。

基于特征密集计算与融合算法的教师课堂行为分析

针对传统网络结构不能充分利用数据中时空信息的问题,提出了一种时空金字塔池化模型,并将该模型与非局部特征计算操作相结合,设计了一种基于时空信息密集计算与融合的三维密集连接卷积神经网络,从而可以更有效地提取视频的时空特征。将该算法应用于课堂场景下教师行为的分析,实验结果表明,所设计的网络结构在教师行为数据集上达到了较高的识别准确率。