改进D-Linknet的眼底视网膜血管分割

临床医生可通过观察眼底视网膜血管及其分支对人体是否患有疾病进行早期诊断,但由于视网膜中的血管错综复杂,模型在分割时会出现对微细血管分割精确度不足的问题。为此,提出一种结合残差模块Res2-net以及高效通道注意力机制(efficient channel attention,ECA)的D-Linknet模型。首先,利用Res2-net代替基础模型中的残差模块Res-net以提升每个网络层的感受野;其次,在Res2-net中添加一种结合压缩激励(squeeze and excitation,SE)和门通道(gated channel transformation,GCT)的注意力机制模块,改善处于复杂背景下的血管分割效果和效率;在网络的解码层加入ECA确保模型计算的性能,避免因降维导致的精度下降;最后,融合改进的模型输出图与掩膜图细化分割结果。在公开数据集DRIVE、STARE上进行分割实验,模型准确度(accuracy,AC)分别为97.11%、96.32%,灵敏度(sensitivity,SE)为84.55%、83.92%,曲线下方范围的面积(area under curve,AUC)为0.9873和0.9766,分割效果优于其他模型。实验证明了算法的可行性,为后续研究提供科学依据。

基于D-LinkNet网络的露天矿道路智能识别与路网建模

随着露天矿无人驾驶技术和智能调度的快速发展,矿车在生产调度中迫切需要更为精确、更符合实际的矿区路网模型。为了满足无人矿车的高精度路网导航需求,首先通过无人机倾斜摄影技术分别采集不同天气、不同角度和不同采矿场条件的露天矿区图像瓦片数据,结合矿区道路成像特点提出了基于矿区道路特征的图像正负分类方法,实现对矿区道路的整体划分;然后根据图像数据特征提出了一种强弱光图像互补方法,可用于消除强光数据集中图像光照失衡问题,生成最优训练集;其次露天矿区非结构化道路图像较结构化道路图像经解析处理后平面形态及连通性维度更高,横纵剖面上的几何形态等道路信息更复杂。基于ResNet101构建更符合露天矿道路提取的D-LinkNet101网络模型,运用最优训练集训练D-LinkNet101网络,并从采集到的瓦片数据中提取出道路图像;最后将提取的道路图像与原始图像(包含焦距,GPS等)结合生成露天矿路网模型,根据生成露天矿路网模型的特有噪声进行相应模型修复处理,从而生成高精度的露天矿路网模型。实验结果表明:该方法提取的路网数据真实可靠,可满足露天矿区主干路网的智能识别和路网建模的精度要求。

改进D-LinkNet模型在国产卫星影像云检测中的应用

大部分国产卫星波段少,利用传统方法难以进行云检测。本文提出了基于改进D-LinkNet模型的云检测算法,并应用于国产卫星遥感影像的云检测。首先,利用自然资源部国土卫星遥感应用中心提供的人工勾云样本生成二值图标签;其次,对D-LinkNet50的编码器进行改进,使用带有通道注意力机制的ResNeSt50-Block替换原始的ResNet50-Block;然后,对损失函数进行加权,测试分析发现只用交叉熵损失作为损失函数时,检测精度更高;最后,使用条件随机场(CRF)对预测结果进行后处理。试验结果表明,改进D-LinkNet模型在测试集上的IoU提升了1.93%,精度提升了2.45%,保持了较好的云边缘信息,云检测效果高于原D-LinkNet模型。

基于D-LinkNet和Deeplab网络模型的土地利用信息自动化提取研究

为探索利用深度学习网络模型快速、定性且定量地提取耕地、园地、林地、交通运输用地、建设用地以及水域等土地利用变化信息,实现对耕地“非粮化”和“非农化”的实时监测监管,从而为国家粮食安全问题提供科技支撑。本研究基于D-LinkNet和Deeplab网络模型分别对高分辨率遥感影像进行深度学习,通过相同对象拥有类似的形状和纹理等特征的原理,自动识别不同的学习对象,从而实现面向高分辨率遥感影像的土地利用信息自动分类。在此基础上,为校验2个模型的学习能力,以江苏省常州市金坛区为例,对比分析了D-LinkNet和Deeplab网络模型在土地利用信息分类上的能力。结果表明,Deeplab模型比D-LinkNet模型的分类结果整体性更强,分类准确率达88%。同时,Deeplab模型的边界信息损失相对较少,分类图斑的破碎程度相对更低,分类精度更高,更能满足土地利用信息自动提取的需求。

基于D-LinkNet的2014年云南鲁甸M_(S)6.5地震建筑物损毁与重建评估

基于谷歌影像和无人机遥感影像,利用D-LinkNet神经网络提取2014年云南鲁甸M_(S)6.5地震震中龙头山镇建筑物灾害信息,并计算平均震害指数的统计值,得出此次地震的烈度。基于D-LinkNet模型进行检测,将损毁建筑物的提取结果与建筑物群变化的检测结果进行相交,构建重建评估系数,确定研究区的重建程度。评估结果为研究区的地震烈度既有Ⅷ度又有Ⅸ度。2015年的重建恢复等级为“一般恢复”,2018年为基本“完全恢复”。将损毁及重建评估结果与中国地震局等相关部门发布的相关信息进行对比,证实了本方法的准确性。

基于MD-LinkNet的低质量文档图像二值化算法

针对低质量文档图像存在的背景渗透、页面污渍、边缘大面积与文本相似的噪声等现象,改进D-LinkNet框架,提出了一种融合多尺度特征(multiple scale feature)的低质量文档图像二值化算法,简称为MD-LinkNet。该算法有两处改进,一是在编解码中间部分增加剩余多核池化(RMP)模块来通过四个池化操作以提取丰富的文档特征信息;二是将池化后的低分辨率图像通过DUpsample而不是双线性插值进行上采样,结合了文档图像像素邻域信息,将文档图像的全局与局部特征进行融合,提高了分割精度。实验结果表明,在2017年和2018年国际文档图像二值化竞赛(DIBCO)数据集中,本文算法的F值(F-measure)最高分别达到了90.54、91.42,验证了所提出算法在解决多种复杂噪声背景的低质量文档图像下的鲁棒性,且相比其他最新经典算法效果较优。

基于深度学习的卫星多通道图像融合的海雾监测处理方法

海雾无论在海上还是在沿岸地带,都因其恶劣的能见度对交通运输、海洋捕捞和海洋开发工程以及军事活动等造成不良影响,因此对于海雾的实时监测和预报就显得尤为重要。本文提出了基于深度学习的静止气象卫星多通道图像融合分割算法,使用D-LinkNet深度卷积神经网络语义分割算法模型对黄渤海海域范围的16通道、空间分辨率为0.5 km的Himawari-8卫星数据进行研究。分别采用均交并比(m_(IOU))以及观测值检验作为评价指标,在测试集上的m_(IOU)为0.9436,并且用卫星测试数据结果与海上观测数据结果进行对比,得出雾区准确率(检测有雾且真实有雾/检测有雾)为66.5%,雾区识别率(检测有雾且真实有雾/(真实有雾-云覆盖))为51.9%,检测正确率(检测正确/总样本)93.2%。本文提出的方法能为海雾监测提供一个可靠的参考。

基于视觉的无人机大范围室外道路检测及拓扑地图构建

空地协作中空中机器人对室外可行道路的检测与建图,有利于提升地面机器人的导航能力。为了实现上述功能,提出了一种新的基于道路分割、图像拼接、骨架提取的无人机大范围室外道路检测及拓扑地图构建方法。首先,为了解决无人机基于航拍图像的道路识别问题,通过D-LinkNet网络完成对无人机航拍图像中道路的分割,并在保证分割准确率的情况下提升了分割的实时性。其次,考虑到无人机飞行高度和相机视角有限的问题,设计了基于GPU加速的ORB图像拼接算法,从而实现了室外大范围场景的获取。然后,为了完成道路拓扑关系的建立,借鉴并行二值图像细化算法,设计了用于道路拓扑化的骨架提取算法,进而得到了道路拓扑地图。最后,所提方法在马萨诸塞州道路数据集上进行测试,实验结果验证了该方法在道路分割、拓扑地图构建方面具有较高的准确性,且可满足实时性要求。所建拓扑地图有利于地面机器人导航能力的提升。

基于深度学习的中国边境地区城市发展与安防研究

为探究我国边境城市发展态势,评估城市戍边能力,基于D-LinkNet34深度学习算法对西藏自治区托林镇、狮泉河镇和普兰镇建筑物、道路进行自动化提取,并结合景观指数及人口规模分析边境乡镇发展态势和戍边能力。分析表明:①基于D-LinkNet深度学习网络的提取方法能够有效地对城市建设用地进一步分类,平均总精度高于80%,IOU值在70%以上。②普兰镇和狮泉河镇斑块分布呈聚集趋势发展,城市扩张趋势减弱,托林镇斑块分布则呈分散趋势发展,城市扩张趋势明显。③建筑面积同常住人口呈线性关系,托林镇2002—2018年建筑面积增加约68.75%,常住人口增加约39.00%;狮泉河镇2004—2020年建筑面积增加约70.75%,常住人口增加约68.44%;普兰镇2005—2018年建筑面积增加约68.36%,常住人口增加约25.04%。研究为定量评价边境城市扩张特征及戍边能力提供新方法,同时为建设祖国边疆戍边能力提供参考。

全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取

条件随机场模型由于其较强的上下文信息建模能力,被广泛应用于建筑物提取任务中。然而,面对高分辨率遥感影像丰富的地物信息,基于条件随机场的提取方法存在建筑物边界模糊的问题。本文提出了一种全局局部细节感知条件随机场框架,该框架提出全局局部一体化D-LinkNet,在有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题。同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。实验结果表明,该框架在WHU卫星和航空数据集上的精度评价指标均优于其他对比方法,其IoU分别达89.82%和91.72%,对于复杂场景下的建筑物信息能够获得较好的提取效果。