1 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
2 国家测绘地理信息局卫星测绘应用中心, 北京 100048
提出了基于改进的深度学习全卷积神经网络的资源三号遥感影像云检测方法。将预训练后的深层卷积神经网络全连接层改为全卷积层,采用反卷积方法对特征图进行上采样,优化改进网络结构,并采用Adam梯度下降法加速收敛。利用资源三号云区影像数据集对网络进行训练,将上采样后的影像特征输入sigmoid分类器进行分类。实验结果表明,该方法检测精度和速度均优于传统方法,准确率可达90.11%,单张影像检测耗时可缩短至0.46 s。
遥感 资源三号影像 深度学习 全卷积网络 云检测 激光与光电子学进展
2019, 56(5): 052801
辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
提出一种结合全卷积神经网络与条件随机场的资源3号卫星遥感影像云检测方法。优化了全卷积神经网络(FCN)模型,对3次上采样后的全卷积神经网络(FCN-8s)进行上采样,采用自适应+动量算法调整参数学习率加速收敛;将全卷积神经网络与条件随机场结合,以全卷积输出影像作为前端一阶势,高斯核函数作为后端二阶势;加入mean-shift区域约束0条件保护影像的局部特征信息,运用平均场算法推断条件随机场模型后验概率。实验结果表明,本研究提出的云检测方法可将影像云区识别准确率提高至97.38%,较FCN-8s算法提高13.42%。
遥感 云检测 全卷积神经网络 资源3号遥感影像 条件随机场 高斯核 平均场算法 激光与光电子学进展
2019, 56(10): 102802
1 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
2 国家测绘地理信息局卫星测绘应用中心, 北京 100048
为提高影像云识别精度,提出一种多尺度膨胀卷积深层神经网络云识别方法。结合卫星影像特征,设计云识别卷积神经网络结构,该结构包含深层特征编码模块、局部多尺度膨胀感知模块以及云区预测解码模块。首先,编码模块中通过基础卷积层获取深度特征;其次,联合多尺度膨胀卷积和池化层共同感知,每层操作连接非线性函数,以提升网络模型的表达能力;最后,云区预测解码模块中融合对应编码模块的特征,再利用L1正则化上采样算法实现端对端的像素级云识别结果。选用典型云遮挡区域影像进行云识别实验,并与Otsu算法和FCN-8S算法进行对比。结果表明,本文所提算法的检测精度较高,Kappa系数显著提升。
遥感 神经网络 膨胀卷积 云识别 资源三号卫星影像 全卷积网络
西南科技大学计算机科学与技术学院, 四川绵阳 621010
针对现有的基于卷积神经网络的车辆目标检测算法不能有效地适应目标尺度变化、自身形变以及复杂背景等问题, 提出了一种融合多尺度上下文卷积特征的车辆目标检测算法。首先采用特征金字塔网络获取多个尺度下的特征图, 并在每个尺度的特征图中通过区域建议网络定位出候选目标区域, 然后引入候选目标区域的上下文信息, 与提取的目标多尺度特征进行融合, 最后通过多任务学习联合预测出车辆目标位置和类型。实验结果表明, 与多种主流检测算法相比, 本算法具有更强的鲁棒性和准确性。
卷积神经网络 多尺度特征 上下文信息 车辆检测 convolutional neural network multi-scale feature context information vehicle detection
1 西南科技大学计算机科学与技术学院, 四川 绵阳 621010
2 四川大学计算机学院, 四川 成都 610065
针对视频序列的稳健性目标跟踪问题,提出一种基于卷积神经网络(CNN)与一致性预测器(CP)的视觉跟踪算法。该算法通过构建一个双路输入CNN模型,同步提取帧采样区域和目标模板的高层特征,利用逻辑回归方法区分目标与背景区域;将CNN嵌入至CP框架,利用算法随机性检验评估分类结果的可靠性,在指定风险水平下,以域的形式输出分类结果;选择高可信度区域作为候选目标区域,优化时空域全局能量函数获得目标轨迹。实验结果表明,该算法能够适应目标遮挡、外观变化以及背景干扰等复杂情况,与当前多种跟踪算法相比具有更强的稳健性和准确性。
机器视觉 目标跟踪 卷积神经网络 一致性预测器 时空域能量函数
四川大学 视觉合成图形图像技术国防重点学科实验室,四川 成都 610065
目标模型更新中存在的模型漂移问题,是影响视频跟踪结果的一个重要因素。针对这一难题,提出了一种新的基于前景分割的目标跟踪算法。算法通过引入条件随机场(CRF)模型对跟踪区域和非跟踪区域的时空关系进行建模,实现对图像序列中像素点的标记,标记为跟踪目标或背景,并使用在线学习方法,根据场景的变化调整CRF模型的参数。跟踪过程中,通过对CRF模型的求解,得到最优的标记场和目标像素的置信图像;利用置信图像,结合目标模型的相似性度量定位整个目标;根据目标区域内的标记结果,使用一种选择性采样的方式更新目标模型,从而解决更新中的漂移问题。通过在多个典型的复杂场景中进行实验,验证了该算法的有效性。
信息处理 视觉目标跟踪 模型漂移 条件随机场 置信图 选择性更新
