期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
方向引导与拓扑感知的光学遥感道路提取网络
1
作者 孟月波 黄欣羽 +1 位作者 苏世龙 王恒 《光学精密工程》 北大核心 2025年第10期1638-1656,共19页
针对光学遥感影像道路提取过程中连通性弱、细微分支遗漏以及预测路网与真实路网拓扑结构不一致等问题,本文提出了一种方向引导与拓扑感知的道路提取网络。首先,设计多路径方向引导模块关注多方向连接关系,分离并独立学习不同方向的连... 针对光学遥感影像道路提取过程中连通性弱、细微分支遗漏以及预测路网与真实路网拓扑结构不一致等问题,本文提出了一种方向引导与拓扑感知的道路提取网络。首先,设计多路径方向引导模块关注多方向连接关系,分离并独立学习不同方向的连通特征,增强道路分支间的联系,提高分割连续性;其次通过全粒度互补特征融合模块融合细、粗粒度特征的互补信息,强化道路细节与语义表达,提高网络对细微分支的捕捉能力;最后设计了拓扑感知损失函数,旨在从拓扑视角探索几何结构差异,增强模型对拓扑变化的敏感度,约束预测路网与真实路网的拓扑一致性。所提模型在Deep‐Globe与Massachusetts数据集上的F1值分别为81.95%和79.98%,对比现有最佳方法提升了0.73%和1.5%,IoU为69.35%和66.38%,提升了0.98%和0.66%。实验结果表明,RDTA-Net提取出的道路精确度和完整度优于其他主流方法。此外,在遮挡、噪声以及光照等复杂场景下,仍具有优越的提取效果。 展开更多
关键词 道路提取 连通关系 方向引导 全粒度特征融合 拓扑感知
在线阅读 下载PDF
联合线性引导与网格优化的混凝土裂缝分割
2
作者 刘光辉 陈健 +1 位作者 孟月波 徐胜军 《光学精密工程》 EI CAS CSCD 北大核心 2024年第2期286-300,共15页
针对混凝土表面裂缝分割过程中分割精度低、细微裂缝漏分和背景干扰等问题,提出一种联合线性引导和网格优化的裂缝分割模型。首先,在主干网络中引入多分支线性引导模块,通过自适应单维度池化增强网络对裂缝线性结构的表达能力,让不同区... 针对混凝土表面裂缝分割过程中分割精度低、细微裂缝漏分和背景干扰等问题,提出一种联合线性引导和网格优化的裂缝分割模型。首先,在主干网络中引入多分支线性引导模块,通过自适应单维度池化增强网络对裂缝线性结构的表达能力,让不同区域的裂缝建立联系,增强全局上下文信息感知能力,提高网络分割精度;然后,提出网格细节优化模块,通过分区-优化-合并三步骤,将整个空间域划分为若干个空间网格,提取空间网格中的细微裂缝信息,防止细微裂缝漏分;最后,在主干网络的跳跃连接处嵌入混合注意力模块,在空间和通道双维度突出裂缝特征,减少背景干扰。在Deepcrack537,Crack500和CFD裂缝数据集上,所提模型的IoU值分别达到77.07%,58.96%和56.55%,F1-score值分别达到87.05%,74.19%和72.24%,明显优于大多数现有方法,具有更高的分割精度。 展开更多
关键词 裂缝图像 线性引导 语义分割 网格优化 注意力机制
在线阅读 下载PDF
多尺度上下文引导特征消除的古塔图像分类
3
作者 孟月波 王博 刘光辉 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2024年第12期2489-2499,共11页
针对古塔建筑图像分类任务中难以准确定位判别性特征以及复杂场景干扰的问题,提出多尺度上下文引导特征消除的分类方法.构建以MogaNet为核心的特征提取网络,结合多尺度的特征融合以充分挖掘图像信息;设计上下文信息提取器,利用网络的语... 针对古塔建筑图像分类任务中难以准确定位判别性特征以及复杂场景干扰的问题,提出多尺度上下文引导特征消除的分类方法.构建以MogaNet为核心的特征提取网络,结合多尺度的特征融合以充分挖掘图像信息;设计上下文信息提取器,利用网络的语义上下文来对齐和过滤更具判别性的局部特征,加强网络捕捉细节特征的能力;提出特征消除策略,抑制模糊类特征和背景噪声干扰,并设计损失函数来约束模糊类特征消除和分类预测;建立中国古塔建筑图像数据集,为细粒度图像分类领域内针对复杂背景和模糊边界的研究提供数据支撑.实验结果表明,所提方法在自建的古塔建筑数据集上达到了96.3%的准确率,并在CUB-200-2011、Stanford Cars和FGVC-Aircraft这3个细粒度数据集上分别达到了92.4%、95.3%和94.6%的准确率,优于其他对比算法,可以实现古塔建筑图像的精确分类. 展开更多
关键词 图像分类 上下文信息 特征消除 深度学习 特征融合
在线阅读 下载PDF
基于区域信息聚合的轻量化人群计数方法
4
作者 席志国 刘光辉 《高技术通讯》 CAS 北大核心 2024年第9期945-959,共15页
针对高密人群图像中细节信息丢失、背景噪声易与人群特征混淆以及网络模型复杂度高等问题,本文提出一种基于区域信息聚合的轻量化人群计数方法。首先,为获取高密图像中细粒度化的多尺度特征,设计了基于通道激活的多尺度特征提取模块,此... 针对高密人群图像中细节信息丢失、背景噪声易与人群特征混淆以及网络模型复杂度高等问题,本文提出一种基于区域信息聚合的轻量化人群计数方法。首先,为获取高密图像中细粒度化的多尺度特征,设计了基于通道激活的多尺度特征提取模块,此模块通过引入Ghost卷积构建了层间分级类残差连接结构,同时对每级特征辅以通道激活,以轻量化的方式实现了网络感受野的逐级扩张。其次,提出一种自注意力区域信息聚合模块获取不同尺度区域的特征信息,该模块通过轻量级自注意力机制分别从通道和空间维度集成区域信息,增强对人群特征的关注,从而弱化背景噪声对计数的影响。最后,考虑到原始计数损失收敛过程中的不稳定性,在DM-Count损失的基础上引入一种新型计数损失,提高了模型稳定性和计数敏感性,进一步提升了计数性能。在Shanghai Tech、UCFQNRF、JHU-CROWD++以及NWPU-Crowd这4个公开数据集的实验结果表明,本文所提方法对比其他主流轻量级人群计数方法有一定的提升,且模型参数量保持在较低水平。 展开更多
关键词 人群计数 区域信息聚合 轻量化 自注意力 损失函数
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部