- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
一种具有多尺度卷积和多样化度量的CNN用于高光谱图像分类
摘要： 近期，研究人员已证实多层深度方法在提取高层特征及提升高光谱图像分类性能方面具有强大能力。然而传统深度模型的普遍问题是：由于训练样本数量有限（尤其针对类内方差大而类间方差小的图像），所学深度模型可能并非最优解。本文提出新型多尺度卷积神经网络（MS-CNNs），通过从高光谱图像中提取深层多尺度特征来解决该问题。此外，深度度量通常与MS-CNNs配合使用以增强高光谱图像的表征能力，但常规度量学习会使所学模型中的度量参数趋于相似——这种相似性会导致明显的模型冗余，从而对深度度量的描述能力产生负面影响。传统上可采用行列式点过程（DPP）先验来促使所学因子相互排斥以实现多样化。本文结合MS-CNNs与基于DPP的多样性促进深度度量优势，开发出具有多尺度卷积和多样化度量的CNN，以获取高光谱图像分类的判别性特征。通过在四个真实高光谱图像数据集上的实验，验证了所提方法的有效性与适用性。实验结果表明：相较于原始深度模型，本方法在不同高光谱图像数据集上（无论是光谱特征还是光谱-空间特征）均能取得相当甚至更优的分类性能。
关键词： 深度度量学习，行列式点过程（DPP），图像分类，多尺度特征，卷积神经网络（CNN），高光谱图像
更新于2025-09-23 15:23:52
-
用于超高分辨率遥感图像目标检测的多尺度视觉注意力网络
摘要： 目标检测在遥感应用中发挥着重要作用。近年来，深度卷积神经网络模型被用于自动提取特征、生成区域提议并预测相应物体类别。然而，这些模型在甚高分辨率（VHR）遥感图像中面临新挑战，包括方向与尺度变化以及背景杂乱等问题。本文提出一种端到端多尺度视觉注意力网络（MS-VANs）方法，采用跳跃连接的编码器-解码器模型从全尺寸图像中提取多尺度特征。针对每个尺度的特征图，我们学习一个视觉注意力网络，其后连接分类分支和回归分支，从而突出物体区域特征并抑制杂乱背景。通过由注意力损失、分类损失和回归损失加权求和构成的混合损失函数来训练MS-VANs模型。在由航拍图像目标检测数据集和NWPU VHR-10数据集组成的混合数据集上的实验表明，该方法优于多种现有先进方法。
关键词： 目标检测，高分辨率遥感图像，视觉注意力，多尺度特征
更新于2025-09-23 15:21:21
-
[IEEE 2018第八届图像处理理论、工具与应用国际会议(IPTA) - 中国西安(2018.11.7-2018.11.10)] 2018第八届图像处理理论、工具与应用国际会议(IPTA) - 基于多尺度特征和PointNet的激光雷达点云分类
摘要： 本文针对复杂场景下激光雷达点云数据特征分类问题，提出了一种基于多尺度特征与PointNet的深度神经网络模型。该方法改进了PointNet的局部特征提取能力，实现了复杂场景下激光雷达点云的自动分类。首先在PointNet网络基础上增加多尺度网络以提取点云局部特征，随后通过全连接层将这些不同尺度的局部特征组合成多维特征，并与PointNet提取的全局特征相结合，输出各点类别得分完成点云分类。采用ISPRS提供的Semantic3D数据集和Vaihingen数据集对所提深度神经网络模型进行验证，实验结果表明该算法相比其他点云分类神经网络具有更高的分类精度。
关键词： 点云分类、多尺度特征、PointNet、激光雷达
更新于2025-09-23 07:22:00
-
利用无人机激光雷达点云数据和随机森林分类法识别沥青路面病害
摘要： 沥青路面会因自然和人为因素而老化并产生各种病害。因此，快速准确地提取不同类型路面病害对有效监测道路健康状况至关重要。本研究以中国新疆石河子市郊区一段沥青道路为对象，探索了利用低空无人机激光雷达（UAV LiDAR）和随机森林分类（RFC）进行路面病害识别的可行性。在对路面病害进行光谱和空间特征分析后，基于点云高程和反射强度强度提取了48个多维多尺度特征。随后，我们利用RFC方法从多特征数据集中提取了路面病害。病害识别的总体准确率为92.3%，Kappa系数为0.902。与最大似然分类（MLC）和支持向量机（SVM）相比，RFC具有更高的准确性，这证实了其对多样本和高维数据分类的鲁棒性和适用性。此外，该方法在验证数据集上达到了95.86%的总体准确率。这一结果表明了本方法的有效性和稳定性，公路养护机构可据此评估道路健康状况并实施养护。
关键词： 无人机、随机森林分类、路面健康状况、激光雷达、沥青路面病害、多尺度特征
更新于2025-09-23 17:28:28
-
[IEEE 2018年国际神经网络联合会议（IJCNN）- 巴西里约热内卢（2018.7.8-2018.7.13）] 2018年国际神经网络联合会议（IJCNN）- 基于尺度内注意力和通道内注意力的语义图像分割
摘要： 多尺度特征提供了对象的不同上下文信息，这对提升语义分割任务的性能至关重要。但不同尺度的特征对最终预测的贡献是均等的。本文提出一种新型注意力机制，不仅能学习不同尺度间的权重，还能为内部通道的子区域分配重要性。该网络架构基于最先进的的前馈网络构建，以生成强语义特征图，并通过横向连接配备融合更大尺度特征图的顶-底通路。所提出的尺度内注意力?？橹鹣袼氐厝岷图尤ú煌叨燃涞奶卣?。为增强中间层各特征图对性能的影响，我们进一步提出通道内注意力?？槔垂刈⒚扛鐾ǖ滥诘淖忧?。此外，还引入额外监督以实现卓越性能。重要的是，通道内注意力?？槟芩嫱绮慵由钭允视Φ髡卣?，且可插入任意其他层。我们在PASCAL VOC2012上进行了大量实验验证网络有效性，结果表明尺度内和通道内注意力?？槎寄艽锤判阅?。
关键词： 语义分割、注意力机制、通道内注意力、尺度内注意力、多尺度特征
更新于2025-09-11 14:15:04
-
[IEEE 2018年第24届国际模式识别大会(ICPR) - 中国北京(2018.8.20-2018.8.24)] 2018年第24届国际模式识别大会(ICPR) - 用于水下目标检测的单次特征聚合网络
摘要： 海洋探测与观测技术的快速发展使得水下目标检测的需求日益迫切。近年来，深度卷积神经网络（CNN）展现出强大的特征表征能力，基于CNN的检测器也取得了显著性能，但在复杂水下环境中检测多尺度目标时仍面临重大挑战。为应对这一挑战，我们提出了一种新型水下目标检测器，通过引入多尺度特征和互补上下文信息以提升分类与定位能力。在中国国家自然科学基金委员会主办的2017年水下机器人抓取大赛自动抓取环节中，我们运用该方法实现了真实近海水下目标的检测并荣获第一名。
关键词： 上下文信息、多尺度特征、水下目标检测、深度卷积神经网络
更新于2025-09-09 09:28:46
-
[IEEE 2018年智能信息学与生物医学科学国际会议（ICIIBMS）- 泰国曼谷（2018.10.21-2018.10.24）] 2018年智能信息学与生物医学科学国际会议（ICIIBMS）- 用于组织学图像有丝分裂检测的多尺度深度神经网络
摘要： 乳腺癌图像中的有丝分裂象检测对评估肿瘤侵袭性具有重要作用。目前临床环境下，病理学家需在超显微镜下观察玻片上的多个高倍视野（HPF），这一过程极其繁琐耗时。自动有丝分裂检测方法的开发迫在眉睫，但也面临尺度不变性、数据不足、染色不当及样本类别不平衡等难题，这些限制阻碍了组织病理学图像自动分析的临床应用。本文提出一种自动领域无关的深度多尺度融合全卷积神经网络（MFF-CNN）用于苏木精-伊红（H&E）染色图像的有丝分裂检测。该模型通过融合多层级、多尺度特征及上下文信息实现精准计数，并采用多步微调策略降低训练过拟合。此外，通过染色归一化处理染色欠佳的H&E图像并结合自动化策略高效构建训练样本集。在公开MITOS-ATYPIA-14挑战数据集上的初步验证表明本方法具有有效性，在保持可接受检测速度的同时，其检测精度优于其他先进方案。
关键词： 多尺度特征、卷积神经网络、有丝分裂检测、乳腺癌、染色归一化
更新于2025-09-04 15:30:14