基于Attention Gates和R2U-Net的遥感影像建筑物提取方法

针对深度语义分割算法提取遥感影像建筑物时易产生建筑物边缘分割不明确、提取精度不高等问题,该文提出一种基于Attention Gates(AG)和R2U-Net的遥感影像建筑物提取方法(AGR2U-Net)。该方法将R2U-Net模型每一层输出的特征图与其相邻层的特征图输入至改进的AG模型中,得到与输入影像大小一致的特征图,以提高R2U-Net模型的多尺度泛化能力,从而增强该模型对建筑物特征的响应及灵敏度,最终提升遥感影像建筑物提取精度。利用WHU卫星影像数据集和WHU航空影像数据集,对该方法与U-Net、Improved U-Net、SegU-Net和R2U-Net方法进行对比实验验证,结果表明,该方法的交并比、像素准确率和召回率均最高,且提取的建筑物边缘更准确、内部信息更完整、误检和漏检情况更少。

基于R2U-Net的单帧投影条纹图深度估计

从条纹图快速、准确获取被测物体准确深度信息是条纹投影三维测量技术关键环节之一。为解决单帧条纹图深度估计准确性问题,基于U-Net的递归残差卷积神经网络(R2U-Net),提出了一种条纹图深度估计方法,并在模拟数据和实验数据上进行了验证。对于模拟数据,所提方法的预测结果误差为1.71×10^(-6),小于U-Net方法对应的误差7.98×10^(-6);对于实验数据,该方法预测的深度图误差比U-Net方法对应的误差降低了13%。实验结果表明,与已有的U-Net深度图预测方法相比,所提方法所得深度图的高度分布曲线与标签拟合程度更高,提高了单帧条纹图三维测量结果的准确性。

一种改进的嵌套残差网络车道线检测算法及其应用

车道线检测是自动驾驶中的核心问题之一,针对自动驾驶难以应对真实道路环境中复杂多变性问题,提出了一种基于嵌套结构的残差网络车道线检测模型.首先通过使用该模型对R2U-Net网络结构进行重构,然后利用构建后的深度学习网络对车道线数据集进行学习和检测.该模型以图森公司发布的大规模车道线检测数据集为基础进行了大量的对比实验,结果表明,使用嵌套残差网络结构模型在车道线检测中取得了较高检测效果,检测准确率达到91%,与其他同类模型相比有显著优势.