-
题名一种融合上下文语义信息与边缘特征的海陆分割方法
- 1
-
-
作者
文甜甜
普运伟
赵文翔
-
机构
昆明理工大学国土资源工程学院
昆明理工大学信息工程与自动化学院
-
出处
《自然资源遥感》
北大核心
2025年第5期62-72,共11页
-
文摘
由于在环境错综复杂、地物信息丰富的光学遥感图像中进行海陆分割时会出现定位精度低和边缘模糊的问题,因此文章提出一种融合上下文语义信息与边缘特征的深度卷积网络模型与海陆分割方法。首先利用FusionNet语义分割网络模块提取遥感图像中丰富的目标语义信息;然后利用改进的空洞空间金字塔池化模块(atrous spatial pyramid pooling,ASPP)和上下文注意力模块从分割网络中提取不同尺度和层次的上下文语义特征,并构建边缘提取子网络获取多尺度边缘特征;最后通过融合模块对语义特征和边缘特征进行组合,实现海陆精准分割。在2个典型数据集上的测试结果表明,该文方法的整体预测正确率、F1分数以及边界F1分数分别达到了98.21%,97.64%,89.36%和96.09%,95.67%,86.13%,均显著优于其他对比模型。特别是在复杂背景下,该方法可有效提高分割和边缘检测的准确性,对人工岸线和港口的分割具有明显优势。
-
关键词
海陆分割
边缘提取
语义分割
多任务学习
上下文注意力模块
-
Keywords
sea-land segmentation
edge extraction
semantic segmentation
multi-task learning
contextual atten-tion module
-
分类号
TP79
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名改进YOLOv8的恶劣天气下船舶目标检测算法研究
- 2
-
-
作者
李纯杰
蔡易南
胡杰
詹炜
-
机构
长江大学计算机科学学院
-
出处
《现代电子技术》
北大核心
2025年第12期77-82,共6页
-
基金
智能地学信息处理湖北省重点实验室开放基金(KLIGIP-2021A07)
中国高校产学研创新基金省部级纵向(2020ITA03012)。
-
文摘
针对现有内河航道中由于雨、雪、雾等恶劣天气导致的船只检测困难问题,提出一种基于YOLOv8的航道船舶目标检测方法,即YOLOv8-Ship。该算法设计一种特征聚焦扩散金字塔网络,融合YOLOv9中的ADown模块,使每个尺度的特征保留更多的上下文信息;同时引入聚核初始网络(PKINet)以及上下文锚点注意力模块(CAA)改进C2f,来增强中心区域的特征;最后采用深度可分离卷积取代骨干网络中的普通卷积,减少模型参数量和计算量。实验结果表明,在雨、雪、雾的天气条件下,与传统的YOLOv8n相比,改进算法的精确率提高了0.5%,召回率提升了3.4%,F1分数提升了2%,mAP@0.5提升了1.2%,平均精度均值达到97.5%,有效提高了内河航道恶劣天气下过往船只的识别精度,具备较强的鲁棒性。
-
关键词
船舶检测
YOLOv8算法
恶劣天气
聚核初始网络
上下文锚点注意力模块
特征识别
-
Keywords
ship inspection
YOLOv8 algorithm
bad weather
PKINet
context anchor attention module
feature recognition
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
