-
题名基于风格迁移的双向孪生网络遥感变化检测
被引量：1
- 1
-
-
作者
史经业
罗雅露
张梦鸽
支瑞聪
刘吉强
-
机构
北京交通大学智能交通数据安全与隐私保护技术北京市重点实验室
北京科技大学计算机与通信工程学院
郑州大学计算机与人工智能学院
材料领域知识工程北京市重点实验室
-
出处
《计算机系统应用》
2025年第4期76-89,共14页
-
基金
国家重点研发计划(2018YFC0823002)
“十四五”重点研发计划(2021YFB3901105)
+2 种基金
中央高校基本科研业务费专项(FRF-TP-20-10B)
2022年度河南省重大科技专项(221100210600)
重点实验室项目(2022-JCJQ-LA-001-080)。
-
文摘
不同时间获取的同一区域的双时相遥感图像在风格上往往具有很大差异,大多数研究方法忽略了这个问题,导致在风格多样的数据集上应用时,模型的性能指标和可视化效果不尽如人意.为此,本文首先使用风格迁移模块针对某一时刻原始图像生成类似另一时刻风格的风格迁移图像.其次,提出了一种基于双向风格迁移的孪生对称差分特征金字塔网络(symmetrical difference feature pyramid network,SDFPNet),确定不同风格迁移方向对变化检测精度提升的影响程度.具体来说,将原始图像和风格迁移图像作为SDFPNet输入,使用两个孪生的轻量化网络和差分特征金字塔网络(difference feature pyramid network,DFPNet)同时进行参数优化,得到两个并行分支预测的变化图.为了减少变化像素点的误判,融合两个预测结果提升变化检测的准确性.在LEVIR-CD、CDD和SYSU-CD这3个数据集上通过实验证明,本文提出的基于双向风格迁移的SDFPNet在遥感变化检测任务上的评价指标优于SOTA(state-of-the-art)方法.尤其是在由于季节变化,风格差异较大的CDD和SYSU-CD数据集,在CDD数据集上检测精度达到99.37%,F2分数达到94.19%,SYSU-CD数据集上检测精度达到92.31%.有效解决了双时相图像风格差异大导致的变化检测精度不佳问题.
-
关键词
变化检测
遥感影像
风格迁移
差分特征金字塔网络
-
Keywords
change detection
remote sensing image
style transfer
difference feature pyramid network(dfpnet)
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名结合双流网络和金字塔映射的步态识别
被引量：3
- 2
-
-
作者
张家波
李杰
甘海洋
-
机构
重庆邮电大学通信与信息工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2022年第6期1911-1915,共5页
-
基金
国家自然科学基金青年科学资助项目(61502065)
重庆市科委基础科学与前沿技术研究资助项目(cstc2018jcyjAX0287,cstc2015jcyjBX0127)
+1 种基金
重庆市教委人文社科研究重点资助项目(17SKG136)
重庆理工大学研究生创新资助项目(clgycx2020090,clgycx2020096,clgycx20203112)。
-
文摘
目前,基于深度学习的步态识别方法虽然取得了一定的进展,但数据采集和步态外观的变化仍然是实现精确步态识别所面临的挑战。为了提高网络对时空步态信息的捕捉能力,提出了一种基于步态轮廓流和步态特征差分流的双流网络结构。步态轮廓流以步态轮廓图作为输入,用来提取步态序列中包含的空间步态信息;步态特征差分流则是以步态特征差分图作为输入,用来捕获相邻步态图之间的动态信息。同时,为了充分利用步态序列中的全局和局部信息,提出了多尺度金字塔映射(multi-scale pyramid mapping,MPM)模块,并插入到各单流网络中以增强网络对全局和局部步态信息的提取能力。所提方法在步态数据集CASIA-B和OU-MVLP上的平均识别精度分别达到了87.0%和85.5%,这表明双流网络架构和MPM模块可以有效地捕获步态序列中的时空步态信息。
-
关键词
步态识别
双流网络
金字塔映射
特征差分图
-
Keywords
gait recognition
two-stream network
pyramid mapping
feature difference map
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于高斯差分特征网络的显著目标检测
被引量：2
- 3
-
-
作者
后云龙
朱磊
陈琴
吕燧栋
-
机构
武汉科技大学信息科学与工程学院
中冶南方连铸技术工程有限责任公司
-
出处
《计算机应用》
CSCD
北大核心
2021年第3期706-713,共8页
-
基金
国家自然科学基金青年项目(61502358)。
-
文摘
中心-邻域对比度理论作为具有生理学依据的一种线索,在传统显著性检测模型中获得了广泛应用,然而该理论却很少显式地应用在基于深度卷积神经网络(CNN)的模型中。为了将经典的中心-邻域对比度理论引入深度卷积网络中,提出了一种基于高斯差分(Do G)特征网络的显著目标检测模型。首先通过在多个尺度的深度特征上构造高斯差分金字塔(DGP)结构以感知图像中显著目标的局部突出特性,进而用所得到的差分特征对语义信息丰富的深度特征进行加权选择,最终实现对显著目标的准确提取。进一步地,在提出的网络设计中采用标准的一维卷积来实现高斯平滑过程,从而在降低计算复杂度的同时实现了网络端到端的训练。通过把所提模型与六种显著目标检测算法在四个公用数据集上的实验结果进行对比,可知所提模型取得的结果在平均绝对误差(MAE)和最大F度量值的定量评价中均取得了最优表现,尤其是在DUTS-TE数据集上所提模型取得的结果的最大F度量值和平均绝对误差分别达到了0.885和0.039。实验结果表明,所提模型在复杂自然场景中对于显著目标具有良好的检测性能。
-
关键词
显著目标检测
高斯差分金字塔
中心-邻域对比度
特征融合
卷积神经网络
-
Keywords
salient object detection
difference of Gaussian pyramid(DGP)
Center-Surround Contrast(CSC)
feature fusion
Convolutional Neural network(CNN)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名一种改进的BR-YOLOv3目标检测网络
被引量：5
- 4
-
-
作者
宦海
陈逸飞
张琳
李鹏程
朱蓉蓉
-
机构
南京信息工程大学电子与信息工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第10期186-193,共8页
-
基金
国家自然科学基金(41671345)。
-
文摘
在目标检测任务中不同目标间尺寸差异较大,导致多尺寸目标难以被有效检测。基于YOLOv3提出BR-YOLOv3目标检测网络。利用空洞卷积提升网络层感受野尺寸的特性,使用不同数量、尺寸、膨胀率的卷积构建多层并行的空洞感受野模块。通过双向特征金字塔结构实现浅深层特征的双向融合,提升浅层预测分支分类、深层预测分支目标定位能力。使用LOSSGIOU定位损失函数实现目标回归过程整体化,从而降低目标漏检率。实验结果表明,BR-YOLOv3目标检测网络在Pascal VOC测试集上的测试平均精度均值达到79.24%,相比原网络提升3.52个百分点,且在检测精度上优于SSD、Faster RCNN等主流目标检测网络。
-
关键词
目标检测
目标尺寸差异
空洞感受野模块
双向特征金字塔
定位损失函数
-
Keywords
object detection
object size difference
atrous receptive field module
Bidirectional feature pyramid network(BiFPN)
location loss function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
