基于特征与数据增强的城市街景实例分割算法

城市街景分割是智能交通领域中一项关键的技术,对于城市街景环境中的客观因素例如遮挡、小目标等问题,提出一种基于特征增强与数据增强的城市街景实例分割算法DF-SOLO(data augmentation and feature en-hancement SOLO)。针对遮挡问题,通过非对称自编-解码器架构对城市街景图像进行数据增强,与传统方法相比处理后的图像更贴近真实的源数据分布。针对城市街景中的小目标分割问题,引入特征加权和特征融合的思想,特征加权模块在特征处理过程中能够根据特征的重要程度赋予不同的权值,提高对重要特征的利用率;特征融合模块从更细粒度的角度进行多尺度特征融合以解决尺度敏感问题,提高语义特征的描述性。通过在Cityscapes数据集上的实验表明,提出的实例分割算法在保证实时性的同时相较于单阶段SOLO算法和两阶段Mask R-CNN算法的mAP值上分别提升2.1%和2%,改善了对小目标和遮挡目标的分割效果。

复杂场景下自适应注意力机制融合实时语义分割

实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息,再经过特征融合网络(FFN)获得准确语义图像。AAFNet采用扩展的深度可分离卷积(DDW)可增大语义特征提取感受野,提出自适应平均池化(Avp)和自适应最大池化(Amp)构成自适应注意力机制融合模块(AAFM),可细化目标边缘分割效果并降低小目标的漏分率。最后在复杂城市街道场景Cityscapes和CamVid数据集上分别进行了语义分割实验,所设计的AAFNet以32帧/s(Cityscapes)和52帧/s(CamVid)的推理速度获得73.0%和69.8%的平均分割精度(mIoU),且与扩展的空间注意力网络(DSANet)、多尺度上下文融合网络(MSCFNet)以及轻量级双边非对称残差网络(LBARNet)相比,AAFNet平均分割精度最高。

改进YOLOv5目标检测模型在城市街道场景中的应用

针对城市街道场景中小目标和密集目标检测准确率不高的问题,提出一种改进的YOLOv5的目标检测模型——City-YOLO。首先利用可变形卷积和Focus模块设计了两种新的下采样模块,使骨干网络(Backbone)与Neck层提取特征信息更准确,同时融合了全局特征信息;其次增加一层检测特征层,增强小目标的检测能力;随后将二阶通道注意力机制引入检测特征层,使网络更加关注目标的重要特征,提升网络对密集遮挡目标的检测能力;最后使用Kmeans算法重新设计了先验框,并将它分配到相应的检测特征层。在CityScape数据集上,City-YOLO模型的均值平均精度mAP50与mAP50:95分别达到了54.3%和30.6%;相较于YOLOv5,mAP50与mAP50:95分别提升了5.8和4.0个百分点。实验结果表明,City-YOLO模型有效地实现了高精度城市街道场景目标检测。

城市夜景照明规划设计原则——以成都春熙路商业步行街夜景规划方案为例

介绍成都春熙路商业步行街夜景规划方案,其中包括夜景平面体系和夜景立面体系的系统化、层次化设计,并详细叙述了相关的夜景照明工程中所涉及和运用的城市夜景规划设计原则。

城市街道家具表情初探

从感性和理性两个方面出发,对影响街道家具表情表达的特征因素进行了分析,提出了物态表情、情态表情、理性价值三个关于街具表情的概念并进行了阐述,对进一步研究街具总体表情类型奠定了基础。

基于街景图像的城市街道绿视率计量方法比较分析

【目的】针对街景图像在绿视率计量研究中的使用做出了说明,综合研究现状,对不同的绿视率数据获取方法和计算方法进行了介绍。【方法】对比了传统方法和利用算法模型(PSPNet或SegNet)的自动化方法,阐述了传统方法存在效率低、损耗大、精确度低等不足,而自动化方法有效的解决了这些问题。【结果】基于卷积神经网络模型的图像语义分割,使街景图片的处理与分析变得更为简便,但自动化方法仍有不足之处需要完善。【结论】文章指出利用机器学习来处理数据问题是未来研究发展的新趋势,预测融合机器学习和遥感技术的街景图像自动化计量方法将在城市规划建设、绿道效益评估等方面具有良好应用前景。

城市夜间景观中的照明设计

夜景照明是现代都市的特征。开发城市夜景照明可以美化人们生活、熏陶人们的审美情操、提高人民生活品质;可以促进城市发展,提高城市知名度和美誉度,具有深远的政治、经济、文化意义。街道、城市广场、建筑等一系列的照明共同构筑成整个城市的夜景。在进行城市夜景灯光建设中,要合理地处理好每个要素、要素与其周边环境和整个城市夜景之间整体与局部的关系,才能使其真正协调统一,全面展示出城市的文化底蕴和特色,并营造出富有魅力的光世界。

场景理论视角下东昌路更新策略研究

城市街道的营造设计不仅影响到城市交通运行效率和服务质量,还能更直接地反映出该城市的形象、文化和品质。现阶段的城市街道更新实践案例和理论研究中,较为注重物质空间的提升,对城市文化价值层面的探索有限,对生态空间的利用不足。借助场景理论工具,结合聊城市东昌路的场所现状,从空间、人群、设施、活动、政策方面进行分析,并提出街道提升策略,以期为全国各城市的城市道路更新提供参考。

重庆中心城区街头绿地提升对策研究

当前城市发展也已经进入提质增效的重要时期,实施城市更新行动,是推动城市高质量发展的必然选择,街头绿地作为城市公共空间的重要组成部分,是当下城市更新发展的重要载体,也是推进高质量国土绿化和高品质生活宜居地建设的重要手段。该文在调研分析重庆市街头绿地建设现状的基础上,总结了其存在的问题与当前面临的挑战,参考借鉴了其他城市街头绿地建设经验,针对性地从管理制度、科学规划、场景建设、特色发展、全民参与等五个方面提出了重庆市街头绿地提升对策,为当下城市更新中街头绿地建设实践提供决策参考。

具有历史文化记忆的街道场景营造策略探究

随着我国城市发展从增量时代进入存量时代,城市更新成为城市高质量发展的重要途经,而强化历史文化保护、塑造城市风貌是城市更新的一个重要内容。我国历史悠久,众多城市老城区存留了大量的历史街道和传统街道,是城市不可或缺的独特基因所在,如何在更新中塑造具备历史感的街道场景,并提升公众的历史文化记忆已成为相关研究和实践领域的难点。本文通过典型案例研究的方式,结合实践经验,系统性总结了具有历史文化记忆的街道场景营造策略及七大影响要素,以期为相关项目实践提供参考,为我国城市更新及街道历史感场景营造提供理论借鉴。

基于DeformableDETR的域自适应目标检测模型在城市街道场景中的应用

针对在特定环境背景条件下训练的城市街道目标检测模型直接应用在另一种环境背景条件下城市街道场景中检测性能下降的问题,提出一种基于Deformable DETR(DEtection TRansformer)的域自适应目标检测模型City-DA-DETR,通过引入域自适应模块融合主干网络特征与Transformer特征,有效实现特征对齐与知识跨域迁移。首先,域自适应模块利用Transformer解码器输出Token与编码器特征交互,生成多尺度实例特征蒙板(MSIM);其次,实例特征蒙板引导Transformer编码器特征生成多尺度空间注意力机制与通道注意力机制;最后,主干网络特征与编码器特征通过注意力机制融合生成用于跨域特征对齐的语义向量。从Cityscape到Fogy-Cityscape数据集,City-DA-DETR模型的平均精度均值(mAP)达到了43.8%,相较于基线模型SFA(Sequence Feature Alignment)提升了2.5百分点;从Sim10K到Cityscape数据集,City-DA-DETR模型的mAP达到了56.1%,相较于SFA提升了3.5百分点。实验结果表明,City-DA-DETR具有良好的域自适应性,有效实现了不同环境背景城市街道场景的跨域迁移。