构建VED-SegNet分割模型提取鱼类表型比例

为提高鱼类表型分割精度和准确度,实现鱼类表型智能监测,该研究基于深度学习算法构建了VED-SegNet模型用于鱼类表型分割和测量。该模型将cross stage partial network和GSConv结合作为编码器(VoV-GSCSP),保持足够精度的同时降低网络结构复杂性。另一方面,该模型采用EMA(efficient multi-scale attention module with cross-spatial learning)建立强化结构,加强编码器和解码器之间的信息传递,提高模型精度,并实现了8个表型类别的输出。采用自建的鱼类表型分割数据集对VED-SegNet模型进行了测试,测量结果中鱼类各表型比例与实际测量值相接近,表型最大平均绝对和平均相对误差为0.39%、11.28%,能实现无接触式提取水产养殖中鱼类表型比例。对比其他常见语义分割模型,平均交并比mean intersection over union,mIoU和平均像素准确率mean pixel accuracy,m PA最高,分别到达了87.92%、92.83%。VED-SegNet模型在环境复杂、多鱼重叠的养殖水体鱼类监测场景中精准分割鱼类形态特征,可为鱼类表型智能测量提供技术支持。

一种基于改进SegNet模型和融合注意力机制的苗族服饰图案分割算法

针对目前语义分割模型需要消耗大量计算资源,对苗族服饰图案分割精度不高等问题,提出一种在改进的Seg Net模型中嵌入注意力机制模块的算法模型。改进后的Seg Net模型减少了卷积层数,在一定程度上减少了内存资源的消耗;为了提高对服饰图案细小纹理的分割精度,减少细小纹理细节的丢失,使用二分类交叉熵损失函数作为损失函数,提高了服饰图案细小纹理的分割精度;改进的Seg Net模型中嵌入轻量级的注意力模块,使得模型能够关注图像中更多的细节特征,更好地将感兴趣的特征从局部水平关联到全局水平,加强对目标特征信息的提取,减少损失率,提高模型的分割性能。实验结果表明,改进后的算法模型相对于传统相关算法,对苗族服饰图案的分割精度有了一定的提高,分割结果的视觉效果和定量指标上都要优于传统相关算法。

融合残差连接的图像语义分割方法

由于传统SegNet模型在采样过程中产生了大量信息损失,导致图像语义分割精度较低,为此提出了一种融合残差连接的新型编-解码器网络结构:文中引入了多残差连接策略,更为全面地保留了多尺度图像中包含的大量细节信息,降低还原降采样所带来的信息损失;为进一步加速网络训练的收敛效率,改善样本的不平衡问题,设计了一种带平衡因子的交叉熵损失函数,对正负样本不平衡现象予以针对性的优化,使得模型的训练更加高效;实验表明该方法较好地解决了语义分割中信息损失以及分割不准确的问题,与SegNet相比,本网络在Cityscapes数据集上进行精细标注的mIoU值提高了约13%。

基于改进SEGNET模型的图像语义分割

使用原始SEGNET模型对图像进行语义分割时,未对图像中相邻像素点间的关系进行考虑,导致同一目标中像素点类别预测结果不一致。通过在SEGNET结构中加入一条自上而下的通道,使得SEGNET包含的多尺度语义信息更加丰富,从而提升对每个像素点的类别预测精度,在模型中加入生成对抗网络以充分考虑空间中相邻像素点间关系。实验结果表明,该模型的语义分割效果相比原始SEGNET模型显著提升,且可有效解决SEGNET测试中出现的分类错误问题。

基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。

基于残差SegNet模型的高分辨率遥感影像分类方法

为解决深度语义模型(SegNet)在高分辨率遥感影像分类中易出现梯度消失从而影响分类精度的问题,提出一种残差学习改进SegNet语义模型(ResSegNet)的高分辨率遥感影像分类方法,该方法以SegNet语义模型为基础,通过构建更深层次的网络结构并加入残差块以提高模型的特征提取能力,从而提取更深层次影像空谱特征实现分类。利用高分辨率遥感影像语义分割数据集Vaihingen和Postdam进行实验验证,结果表明:相比于支持向量机、面向对象决策树法、传统卷积神经网络和SegNet语义模型分类方法,提出的ResSegNet分类方法的总体精度均最高,分别为89.18%和87.62%,分类效果和分类精度最优。

复杂场景下农村道路裂缝分割方法

针对农村道路裂缝识别中存在训练样本数量少、场景单一、提取结果不准确等问题,本文首先依托辽宁省多年份实测道路图像数据,构建具有多种类、多场景的路面裂缝数据集(PCDs),以ResNet50为编码器、SegNet为解码器,构建路面裂缝图像识别模型Res⁃SegNet,通过增大卷积核的大小获取更丰富的裂缝信息,使用Focal Loss损失函数,令模型更专注困难样本。然后采用分块预测方法提升裂缝在图片中的占比,使图片预测更加精细。最后通过网络模型和预测方法进行对比试验。结果表明,使用Res⁃SegNet识别PCDs的测试集,在不同的场景中F值为0.691,使用Res⁃SegNet结合分块预测识别PCDs的测试集,在不同的场景中F值达0.753。

基于无人机遥感和深度学习的松材线虫病疫木自动提取方法研究

松材线虫病是一种由松墨天牛携带传播松材线虫而引起的毁灭性病害,已经成为近40 a来我国发生最严重、最危险的重大林业病害。传统的监测方法主要依靠人工外业调查和卫星遥感目视判读的方法,不仅工作量大,而且效率低下。本研究以江西省赣州市为研究区域,利用无人机航空摄影获取松材线虫病疫区遥感影像,以被松材线虫感染的疫木为目标,通过面向对象提取和人工校核的方式对图像进行标注,并以256×256像素大小对图像和标签进行裁剪,以8︰2的比例将图像随机分成训练集和验证集,从而构建出包括图像和相应标签的深度学习样本数据库。然后基于TensorFlow开源框架搭建了U-Net和SegNet两种深度学习网络模型。结果显示,U-Net网络模型和SegNet网络模型训练精度均超过95%,U-Net网络模型验证精度要高于SegNet网络模型,SegNet网络模型在训练过程中出现了过拟合现象。最后本研究选取部分区域开展了预测应用,结果表明,U-Net网络模型精确率为81.36%,召回率为83.12%,调和平均值为82.23%,高于SegNet网络模型的75.21%、76.84%和76.01%,U-Net网络模型提取效果优于SegNet网络模型。

一种融合注意力机制的苗族服饰图案分割方法

针对苗族服饰因缺少像素级标注的数据库、元素多元化、纹饰图案不规则等引起的目标区域特征提取难度大的问题,提出了一种融合了注意力机制的SegNet分割模型(SE-SegNet)。在改进的SegNet模型中融入通道注意力SE模块,关注更多的细节特征,旨在于加强对目标特征的提取,实现苗服饰图案的自动分割。实验结果表明,该模型在苗族服饰数据集中,像素准确率为92.69%,交并比值为85.27%,相似系数为92.05%。与其他模型相比,该模型分割结果更精细,在苗族服饰图案分割的效果得到显著提升。服饰图案分割效果的提升对苗族服饰文化的保护和发展具有重要意义。

少样本条件下的复杂叶片图像语义分割

针对少样本条件下复杂叶片分割精确度不高的问题,提出一种基于数据增强的图像语义分割方法。使用翻转、平移方法对训练集中的图像进行增强扩充,利用VGG19代替原SegNet语义分割模型的VGG16主干网络进行模型训练。实验结果表明,在包含180幅复杂背景叶片的图像数据集上,使用该方法的评价指数MPA和MIOU达到了98.02%和95.79%,相比未使用数据增强的原模型分别提高了9.96%和15.27%。

基于改进SegNet模型的斑马线检测方法研究

为了改善现有斑马线检测精度低、检测不全面及实时性差等多重问题,提出了一种改进的SegNet语义分割模型进行斑马线检测,使其更适应于辅助驾驶系统中的预警场景,为无人驾驶车辆提供帮助。以语义分割中的原始SegNet模型为基础,首先将SegNet模型的特征提取网络部分进行改进,融入金字塔池化模块,进行多方面特征提取,获取上下文全局信息,达到减少斑马线细节信息丢失的目的;然后将模型对称的结构改为编码不变、解码减少的不对称结构,减少网络参数,增设细节处理,精准检测斑马线像素点位置,有效地提高了检测准确率和实时性。对获取到的斑马线图像进行亮度增强、添加噪声、图像翻转等随机转换方式来扩充采集的斑马线图像样本,使斑马线图像样本满足各种语义分割模型检测需求。在扩充后的斑马线数据集上进行试验,以精确率,召回率,F1值为检测精度评价标准,以运行时间为实时性评价标准,将改进SegNet模型分别与原始SegNet模型,U-Net模型,PSPNet模型进行对比。改进SegNet模型检测斑马线精度达到了97.6%,与其他模型相比检测精度得到有效提高,且运行速度加快,满足当前实时性检测的需求。因此改进SegNet模型检测斑马线更全面,可应用于辅助驾驶系统中。

SegNet在从低空无人机影像中提取会仙岩溶湿地地物信息中的应用

以广西桂林会仙国家湿地公园核心区为研究区,结合SegNet和低空无人机影像,构建会仙岩溶湿地地物信息提取模型,探讨多分类SegNet模型与融合单分类和双分类SegNet模型分类结果的差别,分析epoch参数设置对模型分类精度的影响。研究结果表明,多分类SegNet模型对会仙岩溶湿地地物的分类结果的Kappa系数和F1分数分别为0.59和0.67,融合单分类和双分类SegNet模型分类结果的Kappa系数和F1分数分别为0.68和0.79;与多分类SegNet模型分类结果精度相比,融合多个单分类和双分类SegNet模型分类结果的F1分数明显增大。因此,融合多个单分类和双分类的SegNet模型更适用于提取会仙岩溶湿地地物信息;构建更优的会仙岩溶湿地地物提取SegNet模型,设置epoch值为10相对更合适。

深度学习作物分类模型空间泛化能力分析

大数据驱动训练的深度学习模型是当今农作物分类的最新方法。当前研究仍然主要关注该模型方法的创新性,其在特定时间、特定地区的作物分类模型的泛化能力分析经常被忽略。因此,提高遥感分类模型在大尺度空间范围的有效迁移能力是遥感技术支撑地球系统科学研究和社会应用的关键。本研究通过设计实验分析了模型架构、作物物候特征、农区地块尺度、数据类型等因素对作物分类模型泛化能力的影响。结果表明:一方面当训练区和测试区地块大小发生明显变化时,MultiResUNet相对于SegNet,DeepLab V3+和U-Net具有更好的泛化性能。然而,单纯依靠MultiResUNet的泛化能力依然无法完全克服地块空间形态的变化对模型迁移的不利影响,为获得更高精度的华北玉米分布信息,需要优先使用与华北地区农业景观更相似的东北作物分布数据产品进行深度学习模型训练;另一方面,相对于TOA (Top of Atmosphere)数据,采用SR (Surface Reflectance)数据更有利于模型在跨洲际尺度进行空间迁移,因此,在大尺度作物制图研究中,应优先考虑使用SR数据。综上,本研究从一定程度上验证了影响农作物分类模型迁移性能的内在因素,可为大尺度作物制图提供科学依据。