基于CBAM-U-HRNet模型和Sentinel-2数据的棉花种植地块提取

棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法相比,CBAM-U-HRNet模型对棉花地块提取的准确率更高。研究结果可以为干旱地区棉花识别与种植地块快速提取提供技术支撑。

应用U-HRNet+SoftTripleLoss的HiFi-Net伪造图像检测技术研究

伪造图像若被不当利用会带来严重负面影响,不同伪造图像生成方法导致伪造属性差异,使得研究统一图像伪造检测、定位方法具有很大挑战性。该文提出一种应用U-HRNet+SoftTripleLoss的HiFi-Net伪造图像检测方法,首先采用U-HRNet替代HiFi-Net特征提取网络,其网络结构促进学习图像深层特征以获取更高级的语义信息,增加多个阶段、融合通道以改善高分辨率特征;其次引入SoftTripleLoss模块,学习无约束采样的伪造属性特征嵌入表示以改善特征嵌入分布,从而更好地区分细粒度伪造属性,进而提高细粒度伪造图像分类准确率。实验表明,使用上述技术构建的检测模型像素级别总体评价指标AUC、F1分别为0.9928、0.9760,较原文献模型提高0.0025、0.0082;图像级别总体评价指标细粒度属性分类准确率Acc达98.05%,较原文献模型提高1.23%。