1 大连海事大学 信息科学技术学院, 辽宁 大连 116026
2 交通运输部 搜救中心, 北京 100736
针对遥感图像海面溢油区域通常受到斑噪声以及强度不均等因素的影响, 从而导致溢油区域监测效果较差的问题, 本文引入了深度语义分割的方法, 将深度卷积神经网络与全连接条件随机场相结合, 形成端对端连接。以Resnet结构为基础, 首先通过深度卷积神经网络对多源遥感图像粗分割并作为输入, 然后经过改进的全连接条件随机场, 利用高斯成对势和平均场近似定理, 建立条件随机场形成递归神经网络作为输出。通过多源遥感图像对海面溢油区域进行监测, 并利用可见光图像估计溢油区域面积。实验在所建立的多源遥感图像数据集上与其它先进模型进行对比, 结果表明本文方法提高了溢油区域的分割精度以及精细细节程度, 平均交并比为82.1%, 监测效果具有明显地改善。
海面溢油 卷积神经网络 语义分割 条件随机场 遥感图像 spilled oil on the sea Convolution Neural Network(CNN) semantic segmentation conditional random field remote sensing image
大连海事大学 信息科学技术学院, 辽宁 大连 116026
针对蝇类昆虫物种繁多、特征复杂等因素, 导致蝇类识别准确率低、耗时较长等问题。本文借鉴深度学习方法中的人脸识别算法, 提出一种基于深度卷积神经网络的蝇类面部识别方法。首先, 在图像对齐过程中, 使用多任务卷积神经网络并进行优化即应用深度可分离卷积减少计算参数, 缩短图像预处理时间。其次, 应用轮廓特征粗提取和具体部位特征细提取相结合的方式提取更加丰富的特征信息: 即使用卷积池化粗提取出图像的轮廓特征值; 同时, 使用Inception-ResNet网络、Reduction网络细提取出具体部位特征值。最终在网络训练时, 结合上述方法使得提取到的特征信息更加精确全面。实验表明, 所提方法的准确率达到94.03%, 相较于其他网络训练方法, 该方法在保证较高准确率的情况下提升计算效率。
蝇类面部识别 深度卷积神经网络 多任务卷积神经网络 Inception-ResNet网络 Reduction网络 face recognition of fly deep convolutional neural network multi-task convolutional neural network Inception-ResNet Reduction network
1 大连海事大学信息科学技术学院, 辽宁 大连 116026
2 大连海事大学无人船协同创新研究院, 辽宁 大连 116026
针对复杂海况下遥感图像舰船检测易受舰船尾迹、海杂波、油污和薄云等影响,导致检测结果可靠性较低且小目标舰船不易被检测的问题,提出一种自适应稳健背景的显著性优化舰船目标检测模型。利用顶帽算法对原图进行预处理,抑制舰船尾迹、海杂波等干扰;提出自适应超像素分割方法对稳健背景检测模型进行优化;改进基于均值信息的大津法(Otsu),确定舰船所在区域。结果表明,该方法可以在多种海况下有效检测舰船位置,具有较高的检测准确率(91.20%)、召回率(79.31%)及综合评价指标(84.00%),相比于其他显著性检测模型,该方法具有明显优势,适用于复杂海况下遥感图像小目标舰船检测。
图像处理 遥感图像 显著性检测 顶帽算法 自适应超像素分割 大津法 激光与光电子学进展
2019, 56(18): 181007