基于3D FPN的多时相遥感影像农作物分割

为了解决目前面向多时相遥感影像农作物分割中存在的研究较少、分割精准度较低等问题,设计了一种基于3D特征金字塔网络(FPN)结构的模型,并引入空洞空间卷积池化金字塔(ASPP)模块,使得该网络能够捕获图像的多尺度特征,融合图像更多的上下文语义信息.此外针对数据集类别数量和难易区分程度不平衡的问题,引入了Focal loss函数,通过设置权重因子,使得网络更多关注数量少或难区分的类别.以2019年齐齐哈尔市的多时相遥感影像为数据源,对玉米、大豆、水稻以及其他四种类别进行分割.实验结果显示,总精准度达到了93.6%,平均召回率达到了93.2%,平均准确率达到了94.0%,平均F1得分达到了93.5%,平均交并比(IoU)达到了88.6%,优于3D FCN、3D Unet、2D Unet+CLSTM等农作物分割方法,证明了提出的模型的有效性.

基于双目视觉的三维车辆检测算法

在自动驾驶中,车辆的三维目标检测是一项重要的场景理解任务。相比于昂贵的雷达设备,借助双目设备的三维目标检测方法有成本低定位准确的特点。基于立体区域卷积神经网络(Stereo RCNN)提出了一种用于双目视觉的三维目标检测OC-3DNet算法,有效地提高了检测精度。针对特征提取高分辨率与感受野的矛盾,结合特征提取网络与注意力引导特征金字塔(AC-FPN),有效地提高了算法对小目标的检测精度。针对三维中心投影检测误差大的问题,建立了一种新的三维中心投影与二维中心的约束关系,进一步提升了三维目标检测的精度。实验结果表明,改进后的OC-3DNet算法在以0.7为阈值的三维目标检测上平均精度为43%,较Stereo R-CNN三维目标检测的平均精度提升了约3%。

基于立体图像的多路径特征金字塔网络3D目标检测

3D目标检测是计算机视觉和自动驾驶中一项重要的场景理解任务。当前基于立体图像的3D目标检测方法大多没有充分考虑多个目标之间的尺度存在较大差异,从而尺度小的物体容易被忽略,导致检测精度低。针对这一问题,提出了一种基于立体图像的多路径特征金字塔网络(MpFPN)3D目标检测方法。MpFPN对特征金字塔网络进行了扩展,增加了自底向上的路径、由上至下的路径及输入特征图到输出特征图之间的连接,为联合区域提议网络提供了更高语义信息和更细粒度空间信息的多尺度特征信息。实验结果表明:在3D目标检测KITTI数据集上,无论在场景简单、中等、复杂情况下,所提方法获得的结果都优于比较方法的结果。