改进U_Net网络的钢结构表面锈蚀图像分割方法

为实现锈蚀图像分割网络模型轻量化,同时消除非单一特征背景和锈液等类似特征背景干扰,本文将U_Net网络模型的编码部分替换为MobilenetV3_Large网络,导入基于ImageNet数据集的MobilenetV3_Large网络预训练权重,将U_Net网络模型解码部分的普通卷积替换为深度可分离残差卷积,并在上采样的过程中添加注意力导向AG模块和Dropout机制。经实验验证表明,本文设计的改进U_Net网络模型在非单一特征背景和锈液等类似特征背景干扰下,具有明显的锈蚀图像分割优势,相比于原U_Net网络模型,模型大小减少了81.18%,浮点计算量减少了98.34%,检测效率提升了3.27倍,即从原来不足6 fps,提升至19 fps。网络模型实现轻量化的同时,网络模型的准确率达95.54%,相比于原U_Net网络模型提升了5.04%。

基于拓扑增强的深度学习遥感影像道路提取方法

利用深度学习提取道路信息可以充分挖掘遥感影像的深层特征,但仍存在道路边界模糊、断裂等问题,为了提高道路提取的精度和完整性,提出基于拓扑增强的深度学习遥感影像道路提取方法。首先,对传统卷积神经网络的编码和解码部分进行优化改进,提升像素分割性能;然后,在像素分割结果的基础上,采用像素差分卷积构建道路拓扑提取模块,并采用残差网络、通道注意力和空洞空间金字塔池化等模块实现道路拓扑特征提取;最后,将像素分割结果与道路拓扑特征结果进行融合,以实现对道路提取结果做边缘细化。在2个不同数据集上的实验结果表明:该方法提高了道路提取的精度,增强了道路的连通性,优化后的道路结构更加完整。

基于U＿net网络的单幅全息图重建方法研究

全息重建方法是全息成像技术和全息术的一个核心部分。本文提出了一种基于U_net网络的单幅全息图重建方法。首先使用基于马赫-增德尔干涉仪的光路结构全息实验成像系统记录全息图,将得到的全息图作为训练集,然后采用训练集对U_net网络进行训练,在经过训练后得到全息图的数学模型,用该数学模型便可以对全息图进行重建。仿真和实验结果表明,基于U_net网络的单幅全息图重建方法计算速度更快还只需要更少的测量数据,并且仅使用单幅全息图就可以重建图像,且重建图像没有直流项和孪生项的干扰。