基于改进ASPP的域适应地物分类算法

遥感摄影图像由于具有地域多样性特点(不同的地理位置、地形、天气条件),在跨域语义分割任务上容易出现目标的错漏分问题。为了进一步解决跨域分割的问题,根据先进的Scale-aware_da算法提出了一个具有尺度意识的对抗学习框架。对Scale-aware_da算法进行改良,提出了一种生成对抗网络并改进空洞卷积空间金字塔池化模块(ASPP)的域适应土地覆盖分类算法。该算法在不同特征层使用阶梯级递减的多尺度ASPP;将不同特征层所得信息进行融合,较好地保留了各类目标信息;基于生成对抗网络原理,对于源域和目标域的域间差异问题,提出了三鉴别器网络,包括特征鉴别器、尺度鉴别器和跨域鉴别器。在ISPRS Vaihingen与ISPRS Potsdam互为源域与目标域的情况下,做域自适应实验,实验结果表明,文中算法与Scale-aware_da算法的平均交并比(MIoU)指标相比,在Potsdam—Vaihingen域适应中提升了0.93%,在Vaihingen—Potsdam域适应中提升了1.23%。

基于改进SegNet网络的遥感影像建筑物信息提取

建筑物是人类生活的重要场所,利用遥感影像准确快速地提取建筑物信息是在更精细的尺度上分析人类活动的重要途径。用传统的监督分类等方法提取复杂的建筑物结构信息,在精度和准确度上效果较差。因此,本文对SegNet网络进行改进,在SegNet网络中引用跳层连接结构补充解码器层的目标细节信息,同时,引用ASPP模块增强网络对多尺度目标的捕捉能力。用改进后的SegNet网络在WHU遥感影像建筑物中进行试验,并与U-Net网络、SegNet网络和SVM方法进行对比。试验结果表明:改进后的SegNet网络总体精度和准确度分别为95.14%和98.35%,精度明显高于对比试验方法。

ARS-CNN算法在新冠肺炎识别中的研究

随着新冠肺炎的蔓延,为了准确诊断新冠肺炎,本文提出了一种改进的基于卷积神经网络的新冠肺炎识别算法即ARS-CNN算法。该算法在CNN网络结构的基础上,加入了新的功能模块首先,为了捕获不同感受野的多尺度特征信息并加强网络对图像特征的利用,提出了跳跃连接RFB结构;其次,通过短连接aspp模块来改善网络在特征提取过程中图像分辨率减少所导致的局部信息丢失的问题;最后,将注意力机制GC模块与sSE模块进行融合实现对特征信息的筛选并完成特征信息之间的交互,从而提高新冠肺炎识别精度。在公开的COVID-19胸部X光数据集(Chest X-ray Database)上的实验表明,本文所提出的算法的加权平均准确率、精准率、召回率、FI分数、特异性分别为98.22%、97.91%、97.95%、97.92%、98.33%。与其他分类算法相比,本文所提出算法能够对肺部疾病进行高效识别,具有更高的识别性能。

基于改进后的SegNet高分影像建筑物提取

针对传统监督分类对高空间分辨率遥感影像中建筑物信息提取精度较低的问题,改进SegNet模型,利用U-Net模型中的跳层连接结构补充SegNet模型中解码器层的目标细节,加入空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块增强网络对多尺度目标的捕捉能力。利用改进后的SegNet、全卷积神经网络(Full Convolutional Networks,FCN)、支持向量机(Support Vector Machine,SVM)和最大似然法(Maximum Likelihood Classification,MLC),对遥感影像中建筑物的提取结果进行对比分析。以法国国家信息与自动化研究所航空图像标记数据集为数据源,对分类结果进行定性和定量分析。在有限的迭代次数和实验区域内,改进后的SegNet的Kappa系数在80%以上,总体精度超过90%,在边缘细节的分类效果更精细,改进后的SegNet对遥感图像中建筑物的提取效果更好、精度更高,具有可行性和有效性。

基于改进DeepLabV3+的图像篡改检测技术

现有的图像篡改检测算法在面对未知篡改时,模型的鲁棒性较差,并且篡改区域定位精度较低,小尺度篡改区域检测效果较差,导致模型漏报率较高。针对上述问题,提出了基于改进DeepLabV3+的图像篡改检测模型。模型利用可学习的特征提取器从篡改图像中学习统一的篡改特征;引入注意力模块,强化对篡改特征学习能力,使用ASPP模块提取多尺度特征提高小尺度篡改区域检测率;利用空洞卷积和特征融合模块提高篡改区域定位精度。实验结果表明,提出的方法优于现有的主流方法。