用于高分辨率遥感影像度量变化检测的多路径非对称融合网络

现有的基于深度学习的度量变化检测方法侧重于高级变化语义特征的提取,难以捕获细粒度地物的变化,检测的变化边界模糊.一些方法引入了包含高分辨率和细节特征的低级视觉特征,但这些特征更容易受到内部细节等伪变化的干扰,缺少可靠的远程依赖关系.针对上述问题,提出了一种基于深度学习的端到端的度量变化检测网络,称为用于高分辨率遥感影像度量变化检测的多路径非对称融合网络(Multi-path Asymmetric Fusion network,MAFNet),可以检测到更清晰的边界和更完整的细粒度地物.MAFNet提出了一种多路径非对称融合网络用于捕获长短路径依赖关系,用细粒度的低级视觉特征细化粗略的高级语义特征.MAFNet提出了一种基于深度监督的度量模块,获取更具判别力的特征,端对端的测量变化.实验表明,与其他6种基准方法相比,MAFNet网络在SYSU数据集和CDD数据集上都实现了最高的精度,F1分别为80.56%,95.02%.

基于注意力机制和不对称卷积的目标跟踪算法

一般孪生网络跟踪算法中目标模板不会更新,模板分支与搜索分支在计算时相互独立,无法进行鲁棒跟踪,使用深度互相关来融合两分支的特征有着容易被干扰物欺骗、激活通道数少、对目标边界的分辨能力较弱,且不能充分受益于大规模的离线训练,为此提出一种基于注意力机制和不对称卷积的目标跟踪算法。设计增强注意力网络增强和传递分支信息。采用不对称卷积来代替深度互相关,使用有效的参数学习如何更好地互相关。所提算法在OTB100、LaSOT、VOT2019上做了对比实验,实验结果表明,所提算法表现较好,性能优于现有的多个先进跟踪器。

基于非对称空间金字塔池化的立体匹配网络

卷积神经网络因具有强大的表征能力而被广泛用于图像处理算法,但其在处理过程中存在耗时和信息损失等不足。为此,提出一种基于非对称空间金字塔池化模型的卷积神经网络结构。设计非对称金字塔池化方法融入立体匹配网络,以获取更详细的图像特征信息。分别叠加卷积核为3×3和1×1的卷积层,用于融合多尺度信息和提升网络收敛速度,同时将网络结构由4层增加至7层,以提高匹配精度。在KITTI和Middlebury数据集上进行视差预测,实验结果表明,与基准网络相比,该网络结构可使收敛时间缩短约50.1%,匹配错误率从6.65%降低至4.78%,在立体匹配中获得更平滑的视差效果。

基于卷积神经网络的遥感影像建筑物提取方法综述

建筑物提取作为遥感影像处理领域备受关注的研究方向之一,对于城市规划、灾害管理、智慧城市建设等方面具有重要意义。近年来,随着遥感技术的不断突破和深度学习算法的迅速发展,卷积神经网络凭借强大的特征提取能力成为从遥感影像中提取建筑物的新兴解决方案。本文对基于卷积神经网络的建筑物提取方法进行系统总结,并将相关文献的方法针对模型结构、多尺度特征差异性、边界信息缺失以及模型复杂度的优化策略进行归纳分析。随后,我们阐述了典型的建筑物数据集以及当前数据集存在的问题,并根据数据集上的实验结果对相关方法的精度及参数量进行详细分析,旨在帮助读者更好地理解各种方法的性能和适用范围。最后,立足于领域的研究现状,面向人工智能高质量发展的新时代,从Transformer与CNN的结合、深度学习与强化学习的结合、跨模态数据融合、无监督或半监督学习方法、基于大规模遥感模型的实时提取、建筑物实例分割和建筑物轮廓矢量提取等方面对建筑物提取的未来研究方向进行了展望。