检索结果-内蒙古大学图书馆

应用数学进展 2021年第10期10卷 3351-3360页

作者：宋翼洋刘刚成都信息工程大学应用数学学院四川成都

对单幅雾天图像进行去雾是一个困难的任务,本文提出了一种名叫PD-Net的神经网络模型用于单幅图像去雾。该模型在Dehaze-Net模型中引入了金字塔池化模块且额外添加残差块。金字塔池化模块增强了模型对全局信息的提取,残差块有效地抑制了... 详细信息

对单幅雾天图像进行去雾是一个困难的任务,本文提出了一种名叫PD-Net的神经网络模型用于单幅图像去雾。该模型在Dehaze-Net模型中引入了金字塔池化模块且额外添加残差块。金字塔池化模块增强了模型对全局信息的提取,残差块有效地抑制了梯度消失现象。在仿真实验中,本文使用RESIDE数据集中的室内合成有雾图片作为实验数据集,定量分析比较了各种去雾方法对实验数据集的去雾结果,PD-Net模型展现了良好的性能。在真实实验中,对RESIDE数据集中的室外真实有雾图片进行去雾分析。真实实验的结果表明,相较于其他算法,PD-Net模型在大面积的天空区域及图片的细节处有更好的效果。

关键词：去雾 Dehaze-Net 金字塔池化模块 PD-Net

来源：评论

学校读者我要写书评

暂无评论

基于跨层次聚合网络的实时城市街景语义分割

引用

光学精密工程 2024年第8期32卷 1212-1226页

作者：侯志强程敏婕马素刚屈敏杰杨小宝西安邮电大学计算机学院陕西西安710121 西安邮电大学陕西省网络数据分析与智能处理重点实验室陕西西安710121

随着自动驾驶技术的迅速发展,精确高效的场景理解显得尤为重要。城市街景语义分割旨在准确识别并分割出行人、障碍物、道路和标志物等要素,为自动驾驶技术提供必要的道路信息。然而,当前的语义分割算法在城市街景分割中仍然面临一些挑战... 详细信息

随着自动驾驶技术的迅速发展,精确高效的场景理解显得尤为重要。城市街景语义分割旨在准确识别并分割出行人、障碍物、道路和标志物等要素,为自动驾驶技术提供必要的道路信息。然而,当前的语义分割算法在城市街景分割中仍然面临一些挑战,主要表现为不同类别的像素区分不够清晰、对于复杂场景结构的理解不够精准以及对小尺度对象或大尺度结构的分割不准确等问题。为此,本文提出一种基于跨层次聚合网络的实时城市街景语义分割算法。首先,在编码器末端设计了结合跨层次聚合的金字塔池化模块,用于高效提取多尺度上下文信息;其次,在编码器和解码器之间设计了跨层次聚合模块,通过引入通道注意力机制增强信息的表征能力,逐级聚合编码器阶段的特征以充分实现特征复用;最后,在解码器阶段设计了多尺度融合模块,在通道维度聚合全局信息与局部信息,促进深层特征与浅层特征的融合。将所提算法在两个通用的城市街景数据集上进行了验证。在一张RTX3090显卡上(TensorRT测速环境),本文算法在Cityscapes测试集以294 FPS的实时性达到73.0%mIoU的准确性,在更高分辨率的图像上以164 FPS的实时性达到75.8%mIoU的准确性;在CamVid数据集以239 FPS的实时性达到74.8%mIoU的准确性。实验结果表明,本文算法在准确性与实时性之间取得了有效平衡,对比其他算法的语义分割性能具有显著提升,为实时城市街景语义分割领域带来了新的突破。

关键词：语义分割卷积神经网络城市街景编码器-解码器结构金字塔池化模块

来源：评论

学校读者我要写书评

暂无评论

基于改进PIDNet的水位线检测算法

引用

计算机工程 2024年第8期50卷 102-112页

作者：李仲冒睿瑞王晓龙王根一安国成上海华讯网络系统有限公司服务运作部上海201103 中国电子科技集团公司第三十二研究所上海201808

PIDNet是三分支网络构成的语义分割模型,在众多竞赛数据集中均保持优秀的分割精度。然而,积分分支中进行多次下采样和金字塔池化模块中多分支特征融合冗余的缺点限制了算法精度的提高。在水位线检测任务中,现有算法的缺点会导致局部细... 详细信息

PIDNet是三分支网络构成的语义分割模型,在众多竞赛数据集中均保持优秀的分割精度。然而,积分分支中进行多次下采样和金字塔池化模块中多分支特征融合冗余的缺点限制了算法精度的提高。在水位线检测任务中,现有算法的缺点会导致局部细节信息丢失,使得水体边缘精细化检测的能力有所下降。为了缓解这个问题,提出一种基于改进PIDNet的水位线检测算法。首先设计一种结合通道注意力的轻量化像素增强模块,在积分分支下采样过程中进行像素增强,减少局部信息丢失。然后对金字塔池化模块进行重构,在减小池化输出特征大小的基础上减少并行分支数,同时在特征融合时结合通道注意力进一步加强关注重要特征的能力,提高水位线边缘的分割精度。此外,融合多场景的河流数据集,避免复杂场景下检测出的水位线位置发生偏移和断线。实验结果表明,所提方法(S和M)在水位线检测任务中相对原算法(S和M)在3个性能指标上都有所提高,以M规模为例,像素正确率提高了1.47个百分点,平均交并比提高了1.04个百分点,检测延迟降低了0.9 ms。

关键词：语义分割水位线检测金字塔池化模块注意力多场景

来源：评论

学校读者我要写书评

暂无评论

基于改进HRNet和PPM的图像语义分割方法的研究

引用

现代电子技术 2025年第7期48卷 29-34页

作者：师佳琪杨皓浚刘晓悦陈鑫华北理工大学电气工程学院河北唐山063000 北京邮电大学北京100876

为解决现有语义分割模型无法兼顾全局语义信息与局部细节信息,以及残差模块细节特征提取能力弱的问题,提出一种语义分割方法。在HRNet的基础上引入了金字塔池化模块,兼顾了全局语义信息和局部细节信息,同时在原有残差模块Basic Block的... 详细信息

为解决现有语义分割模型无法兼顾全局语义信息与局部细节信息,以及残差模块细节特征提取能力弱的问题,提出一种语义分割方法。在HRNet的基础上引入了金字塔池化模块,兼顾了全局语义信息和局部细节信息,同时在原有残差模块Basic Block的基础上引入大核深度卷积提高模型的细节特征提取能力,大幅度提高模型的精度。在PASCAL VOC2012图像数据集上的实验表明,相较于原始HRNet等其他分割网络,该算法取得了分割精度的显著提升,平均分割精度达到了89.27%。各设计模块的有效性也通过消融实验得以验证,尤其是改进Basic Block对提升分割性能具有关键作用,该模型大幅度提升了图像语义分割精度,提供了一种高效率、稳定且适用场景更加普遍的多尺度语义分割算法。

关键词： HRNet 金字塔池化模块大核深度卷积残差模块语义分割深度学习

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征的地基云图分类检测算法

引用

计算机科学 2024年第S01期51卷 305-310页

作者：孙继飞贾克斌北京工业大学信息学部北京100024 先进信息网络北京实验室北京100024

地基云的自动识别方法和技术为气象分析中的云状识别和云量估计任务提供了重要的手段和依据。然而,对这两种任务的研究往往独立,互不相干,导致地基云图的分类与分割技术无法有效地结合使用。特别是当云图中出现多类云状时,现有技术难以... 详细信息

地基云的自动识别方法和技术为气象分析中的云状识别和云量估计任务提供了重要的手段和依据。然而,对这两种任务的研究往往独立,互不相干,导致地基云图的分类与分割技术无法有效地结合使用。特别是当云图中出现多类云状时,现有技术难以按不同云类分别划分区域并进行云量计算。为了解决这一问题,提出用基于深度学习的语义分割方法实现对地基云图的按类分割。首先,构建了地基云图语义分割数据集GBCSS,该数据集包含3000幅云图,共计11个类别。在此基础上,提出了一种基于U型神经网络的改进方案UNet-PPM作为地基云图语义分割模型。为了增强网络对云的轮廓特征提取能力,引入了金字塔池化模块。该模块提取并聚合了不同尺度的图像特征,提升了网络获取全局信息的能力。最后,将设计的网络在GBCSS上进行了训练以及评估,其在测试集上达到了91.5%的像素准确率。与U-Net相比,UNet-PPM在像素准确率上有5.4%的提升,表明该网络对云的轮廓特征提取的能力更强,以及语义分割应用在地基云图中的可行性。

关键词：地基云图语义分割云图数据集全卷积网络金字塔池化模块

来源：评论

学校读者我要写书评

暂无评论

非对称卷积金字塔残差网络的遥感影像建筑物提取

引用

遥感技术与应用 2023年第6期38卷 1467-1476页

作者：吴锋振杨德宏李俊胡明洪昆明理工大学国土资源工程学院云南昆明650093

针对建筑物提取中存在微小建筑物提取不完整、建筑物边界提取不准确等问题,以ResNet为基础,将残差模块与Inception-V3模块嵌套,然后进行金字塔池化来改善网络分割性能,并将改进的神经网络模型称为非对称卷积金字塔残差网络(In_PPM_ResN... 详细信息

针对建筑物提取中存在微小建筑物提取不完整、建筑物边界提取不准确等问题,以ResNet为基础,将残差模块与Inception-V3模块嵌套,然后进行金字塔池化来改善网络分割性能,并将改进的神经网络模型称为非对称卷积金字塔残差网络(In_PPM_ResNet)。该模型兼具三者的优势:残差模块能解决网络退化问题;Inception-V3模块中使用非对称卷积,减少参数量,节约运算资源,多路径级联增加网络宽度;金字塔池化模块获取不同尺度信息,扮演加强特征提取角色。为验证In_PPM_ResNet的有效性和适用性,分别在WHU和AIRS建筑物数据集上进行实验,并将其与典型建筑物提取网络FCN-8S、UNet++、SegNet进行对比。实验结果表明:在WHU数据集上,In_PPM_ResNet相较于其它网络,IoU为最优值,达89.97%,其他评价指标也有一定程度提升,模型参数量对比网络中排名第3,参数量相对较小,每轮次运行时间与其他网络相差不大,证明该模型的效率相对较高;在0.075 m分辨率的AIRS数据集上,交并比、召回率、F1分数均为最优值,分别达88.52%、88.95%和87.85%。另一方面,建筑物提取结果相比于其他网络,边界更准确,空洞少,有一定的应用潜力。

关键词：建筑物提取 ResNet Inception-V3 非对称卷积金字塔池化模块

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征的视盘分割方法

引用

吉林大学学报（理学版） 2023年第1期61卷 136-142页

作者：燕杨曹娅迪黄文博长春师范大学计算机科学与技术学院长春130032

针对视盘、视杯分割任务中,由青光眼病变引起目标大小显著变化导致的错误分割问题,提出一种使用更轻量级的编码器-解码器网络,并引入金字塔池化模块,通过网络丰富的感受野捕捉更多上下文特征,丰富尺度特征,充分利用全局信息.在数据集RIM... 详细信息

针对视盘、视杯分割任务中,由青光眼病变引起目标大小显著变化导致的错误分割问题,提出一种使用更轻量级的编码器-解码器网络,并引入金字塔池化模块,通过网络丰富的感受野捕捉更多上下文特征,丰富尺度特征,充分利用全局信息.在数据集RIM-ONE v.3上进行多组对比实验和评估,实验结果表明,该方法对视盘分割的平均交并比为0.908, Dice系数为0.958,均方误差为0.002,比现有算法各项指标性能均有提高.

关键词：视盘分割视杯分割金字塔池化模块彩色眼底图像

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征融合的U-Net网络高分影像不透水面提取研究

引用

遥感技术与应用 2022年第4期37卷 811-819页

作者：王晶高帅郭亮汪云中国地质大学地球科学与资源学院北京100083 中国科学院空天信息创新研究院北京100094 广州市城市规划勘测设计研究院广东广州510060 广东省城市感知与监测预警企业重点实验室广东广州510060 北京林业大学园林学院北京100083

不透水面作为监测城市生态环境的重要指标,其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要,急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取... 详细信息

不透水面作为监测城市生态环境的重要指标,其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要,急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取影像特征的特点逐渐成为遥感影像地物提取的新兴方法。基于此,采用多尺度特征融合的U-Net深度学习方法以提升语义分割精度,开展高分辨率遥感影像不透水面的精确提取研究。模型引入残差模块代替普通卷积以加深网络,提取更多影像特征;加入金字塔池化模块增强网络对复杂场景的解析能力;利用跳跃连接方式融合不同尺度特征,有利于恢复空间信息。以广州市航摄正射影像为数据源,通过卷积神经网络将遥感影像分割为背景、其他、植被、道路和房屋5种地物类型,将其与人工目视解译的地面真值进行验证,最终提取研究区域不透水面。实验证明:多尺度特征融合的U-Net模型总体精度和Kappa系数分别为87.596%和0.82。在定性与定量两个方面均优于传统的监督分类法、面向对象分类法和经典U-Net模型法。结果表明:该模型利用多维度影像特征信息,有效提升了复杂场景图像的分割精度,分割效果好,适用于高分辨率遥感影像不透水面提取,该研究成果可为城市环境监测提供数据支撑。

关键词：不透水面 U-Net模型残差模块金字塔池化模块高分辨率遥感

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的高分辨率遥感影像中建筑物语义分割方法研究

基于深度学习的高分辨率遥感影像中建筑物语义分割方法研究

引用

作者：王正安徽理工大学

学位级别：硕士

当前遥感技术发展迅速,特别是航空遥感影像和高分辨率遥感卫星影像,无论是对需求范围大,还是信息需求多样,都能提供丰富的地物信息,是目前建筑信息获取的主要手段,而建筑物信息如何高效、准确地从遥感影像中提取是当前急需解决的问题。... 详细信息

当前遥感技术发展迅速,特别是航空遥感影像和高分辨率遥感卫星影像,无论是对需求范围大,还是信息需求多样,都能提供丰富的地物信息,是目前建筑信息获取的主要手段,而建筑物信息如何高效、准确地从遥感影像中提取是当前急需解决的问题。目前,基于深度学习的语义分割网络被广泛应用于建筑物提取,但是在提取建筑物时可能会出现错提、漏提和边缘不完整等问题,这将导致对于小型目标建筑物和建筑物边缘信息的提取不够有效。本文采用WHU、Inria公开的航空影像数据集和贵阳(GY)高分辨率遥感卫星影像数据集,以深度学习的理论和算法为基础,先进行影像增强、归一化等遥感影像的预处理作业,完成所需建筑物数据的前期准备工作。然后利用卷积神经网络和Transformer机制网络,针对在提取建筑物信息不完整的情况下进行提取改进,以获得更精确的建筑信息。从如下三个方面进行研究: (1)语义分割网络编码器主要功能是对建筑物特征信息获取,分别对常用的Deeplabv3+、Unet网络进行编码器替换对建筑物信息提取,用三种常用的骨架来进行对编码器进行编码器改变,结果表明:Mobilenetv2、Inceptionv3和Resnet50三中不同骨架,Inceptionv3在两种网络提取效果最佳,Resnet50骨架网络次之,最后是Mobilenetv2,提取结果显示都存在错提取,漏提取,建筑物边缘信息不完整等问题,在WHU数据集中,在Deeplabv3+网络中总体精度最高达到了96.38%,Unet网络达到了97.56%。同理在Inria数据集上可以得到相似的结论,通常把Resnet50结构当作编码器结构,其可以很好的解决梯度爆炸及过拟合的问题,其提取结果图与标签相近。 (2)针对在提取建筑物中会出现错提、漏提问题,本文通过一种改进的Unet网络来进行建筑物提取研究。在改进模型的编码器Resnet50部分增加金字塔池化模块,以加强网络对建筑物特征信息的获取,并通过浅层融合图像的深层特征来减少建筑物特征信息的损失;另外,在Unet网络中的跳跃连接结构加入双重注意力机制,可以通过去除干扰信息,以此来提升建筑物信息的提取精度。采用WHU与Inria航空数据集进行建筑物提取实验,并与Unet、PSPNet、Hr Net与Deeplabv3+网络进行对比实验,结果表明在WHU数据集,其总体精度、精确率、F1值、m IOU值与IOU分别达到了98.38%、95.93%、97.12%、94.52%与90.97%,优于基本网络模型。另外,对于错提、漏提取问题得到了较大的改善,并将其应用Inria数据集上可以得到相同的结论,为了进一步验证在更复杂与较低分辨率的影像上的泛化能力,在GY数据集上进行实验,结果表明,在一定程度上错提、漏提取也得到了较好改善,其中总体精度94.40%,建筑物精度79.94%,相比较与基本模型,建筑物精度提升了13.35%,建筑物错提取效果明显。 (3)针对在建筑物提取中建筑物物边缘信息损失的问题,本文提出基于卷积神经网络Deeplabv3+模型与Transformer相融合的一种机制,在Deeplabv3+模型编码器结构替换为Vision Transformer下的一种动态稀疏注意力机制Bi Former,并加入CBAM与MLP两种模块。先用WHU与Inria航空数据集进行实验,并与基本网络进行对比,得到此改进模型在建筑物边缘信息损失得到了一定程度的解改善,边缘信息更加完善规则化,其总体精度、精确率、F1值、m IOU与IOU分别在WHU达到了97.81%、93.11%、96.15%、92.76%与88.21%,均优于对比网络模型,与Unet网络相比指标分别提高了0.36%;1.28%;1.05%;2.13%。并将其应用到GY数据集上,在建筑物边缘信息完善也得到了较大突破,说明该改进模型更有利于获取提取建筑物减少对建筑物边缘信息损失。图[46]表[10]参[84]

关键词：建筑物提取深度学习高分辨率遥感影像金字塔池化模块 Transformer Biformer

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的图像超分辨率重建技术研究

基于深度学习的图像超分辨率重建技术研究

引用

作者：黄梦宇沈阳工业大学

学位级别：硕士

图像超分辨率重建技术可以根据已知的低分辨率图像恢复图像细节信息,实现提高图像的分辨率、增强数据质量的作用。重建后的图像不仅视觉效果远超前者,所包含的细节纹理和边缘信息也有所提升。在某些情况下由于采集设备和场景的限制,高... 详细信息

图像超分辨率重建技术可以根据已知的低分辨率图像恢复图像细节信息,实现提高图像的分辨率、增强数据质量的作用。重建后的图像不仅视觉效果远超前者,所包含的细节纹理和边缘信息也有所提升。在某些情况下由于采集设备和场景的限制,高分辨率图像难以获得,因此超分辨率重建技术一直是图像处理领域的研究热点,已被广泛应用于医疗成像、公共安全和卫星遥感等多个领域。然而,现有算法对图像特征利用不充分,同时网络参数量大,导致重建效果不佳和训练缓慢等问题,严重影响了重建算法的应用与部署。对于上述存在问题,在经典超分辨率重建网络ESRGAN的基础上进行研究,提出了一种软池化空间金字塔超分辨率重建方法和一种基于深度可分离卷积的轻量化图像超分辨率重建方法。上述两种方法能够较好地解决ESRGAN现存的问题,提升图像重建效果并降低参数量,具体研究内容如下: 针对现有算法对图像特征、全局上下文信息利用不充分的问题,提出了一种软池化空间金字塔超分辨率重建方法。经典空间金字塔池化结构具有尺度不变性、空间信息保留和高效性等多项优势,受此启发,在网络中引入金字塔池化模块,该模块通过聚合不同尺度的特征图来扩大感受野,从而能够兼顾全局信息和局部细节信息。为了更好地保留细节,避免重建过程对细节纹理的丢失,进一步使用Soft Pool软池化方法构建了Soft-PPM模块,这不仅能够提升网络对上下文信息的利用,更能最大程度保留细节,从而更有效地提取特征。改进算法在视觉效果和重建指标上均优于经典算法,与ESRGAN相比,PSNR平均提升了5.12%,SSIM平均提升了6.37%。针对现有算法参数量大、训练缓慢等问题,提出一种基于深度可分离卷积的轻量化图像超分辨率重建方法。首先,将传统卷积操作替换为深度可分离卷积方式。其次,在主体网络结构上融入了高效局部注意力模块,这可以更有效地捕捉到图像中的关键特征,并将更多的注意力集中在对提高图像超分辨率重建有帮助的区域上。通过引入注意力机制,增强了网络的学习能力,避免网络由于轻量化设计导致的重建效果下降等问题。改进算法在保证重建效果的同时实现参数量大幅下降,与原网络相比,参数存储量降低了79%,大幅降低了计算量,有利于算法在硬件设备上的部署。

关键词：深度学习超分辨率重建金字塔池化模块深度可分离卷积注意力机制

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：