基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测

针对城市土地资源变化检测工作繁杂、工作量大、自动化程度低等问题,本文提出一种基于深度学习模型的高分辨率遥感影像建筑物变化检测方法,将语义分割的思想引入到遥感变化检测。基于残差结构特征较卷积层提取性能更优和特征金字塔网络多尺度预测的特点,将残差结构和特征金字塔网络融合到Unet模型中,建立FPN Res-Unet模型。该模型以Unet为基础,引入ResNet18的残差结构作为编码路径特征提取层,在每次卷积后使用边界填充,使得输入图像和输出图像尺寸一致;在解码路径每级上采样过程中,拓展支路径将特征金字塔网络融合到模型的网络主干中,将残差结构、Unet及特征金字塔网络的优点相互融合,增强了Unet的特征提取,弥补了语义分割网络对小目标检测的欠缺;在获取深层语义信息的同时关注细节信息,提高建筑物变化检测精度。实验表明,该方法在所用数据集,准确率、召回率、F1 3种指标均达到90%以上。

基于BP网络的模糊Petri网的学习能力

模糊Petri网 (FuzzyPetriNets,FPN)是基于模糊产生式规则的知识库系统的良好建模工具 ,但自学习能力差是模糊系统本身的一个缺点 .该文提出了适合模糊Petri网模型自学习的模糊推理算法和学习算法 .在模糊推理算法中 ,通过对没有回路的FPN模型结构进行层次式划分以及建立变迁点燃和模糊推理的近似连续函数 ,从而把神经网络中的BP网络算法自然地引入到FPN模型中 .在FPN模型上 ,用误差反传算法计算一阶梯度的方法对模糊产生式规则中的参数进行学习和训练 .经过学习和训练的FPN具有很强的泛化能力和自适应功能 .FPN模型经过训练得到的参数是有特定含义的 ,可以通过对这些参数的合法性分析 ,使得模糊产生式规则系统更加有效 ,也对知识库系统的建立、更新和维护有着重要的意义 .

应用Crowd-YOLOv3算法实现包裹中限制品检测

鉴于在目前安检过程中,安检设备的X光图像中包裹内物品排布密集、交叉重叠等情况导致安检效率低下的问题,文中提出采用Crowd-YOLOv3算法解决实现包裹中限制品的检测。该算法在主干网络和检测器间嵌入优化的FPN模型,将网络的上下级语义信息融合,提升了算法的检测性能;在结构损失函数上,该算法引入IoG来判定限制品的重叠程度,提升了算法对密集、重叠限制品的检测效果;实验数据通过网络传送。实验结果表明,Crowd-YOLOv3算法有效提升了安检设备对限制品的查准率和召回率,比传统YOLOv3算法的平均检测精度提升了3.2%,达到67.8%。

基于改进FPN的复杂场景下SAR图像船舶目标检测

针对合成孔径雷达(SAR)图像近岸船舶目标受背景杂波影响,导致SAR图像船舶目标检测率低和小尺度舰船目标漏检率高的问题,提出一种适用于复杂背景下SAR图像近岸舰船目标检测的改进FPN模型。该模型基于FPN目标检测算法,在特征提取网络中利用可变形卷积更加精确地确定目标采样点位置,以增强目标的特征提取能力,提高复杂背景下SAR图像舰船标的检测率;同时,采用通道注意力机制来捕获特征提取网络中不同通道图之间的特征依赖关系,降低漏检率。在公开的SAR图像舰船数据集上的测试结果表明,该模型在复杂场景下的检测精度为87.95%,相比原始FPN提升了8.46%,其中,针对小尺度舰船目标检测精度为95.14%,相比原始FPN检测精度提升了5.28%;对比Yolo5和mask RCNN,改进FPN模型平均检测精度分别提升了11.21%、2.98%。