一种新型的无人机牧草分割网络—LMS-DeeplabV3+

目前草原环境复杂、牧草分散且与背景颜色差异小,无法实现高效精准的分割,因此本文提出了一种新型的轻量化多尺度DeeplabV3+网络(lightweight and multi-scale DeeplabV3+network, LMS-DeeplabV3+)。该网络以DeeplabV3+为基础网络,首先选用轻量级的MobilenetV2作为骨干网络用于初步特征提取,并为了适应牧草分割任务做了网络配置上的调整;其次在加强特征提取模块和解码模块中均使用深度可分离卷积代替普通卷积以轻量化网络;此外利用密集空洞空间金字塔池化(dense atrous spatial pyramid pooling, DASPP)模块捕获更大的感受野,加强各特征之间的交互;又引入卷积注意力机制(convolutional block attention module, CBAM)重分配权重加强特征提取。实验证明,提出的新网络与原始网络相比平均交并比(mean intersection over union,mIOU)提升了8.06个百分点、平均像素精度(mean pixel accuracy,mPA)提升了6.7...     

基于卷积神经网络的雷达点迹分类技术研究

雷达在探测目标过程中不可避免地会受到杂波影响,在信号处理检测时会产生杂波点迹,尤其是在杂波密集区,此类杂波点迹数量会更多.随着大数据的到来,人工智能技术获得突飞猛进的发展,以深度学习为代表的人工智能技术受到广泛关注.利用卷积神经网络对雷达点迹数据中的杂波与真实目标分类问题展开研究.首先在现有雷达点迹信息的基础上,进一步...     

视频换脸及检测技术综述

本文对视频换脸技术的发展路线、研究现状及深度学习的应用情况,重点介绍了基于深度学习的视频换脸的主流框架和方法.另外,本文对当前视频换脸检测的方法及在各数据集上的性能进行了分析和比较,最后对视频换脸技术的未来发展趋势进行了展望.     

基于天线对打的住宅小区深度覆盖解决方案

住宅小区是在特定时段内城市人口最集中的区域之一,其网络深度覆盖问题是当前4G网络覆盖以及5G网络规划工作的重点以及难点,直接影响了用户对于运营商的网络质量和服务水平的感知.针对传统住宅小区深度覆盖方案存在的问题,提出了基于天线对打的住宅小区深度覆盖解决方案,可为解决住宅小区深度覆盖问题提供建设参考.     

3G移动数据业务深度运营的分析

本文通过引入市场细分和目标市场的选择,着重阐述了以用户需求为导向的数据业务深度运营视角,在此基础上进行了定性的分析,从而提出了对于3G数据业务深度运营的若干策略.     

基于云模型的极端峰态神经元概念表达

近年来,深度学习在很多领域获得了广泛的应用.但是,由于深度学习的不可解释性,人类不能信任它的处理结果.本文针对这个问题,尝试使用云模型来表达特征空间中单个神经元的概念.经过逆向云变换算法得到的概念内涵可以表达概念的成熟度.在卷积神经网络(CNN)中,峰态系数过高或者过低的概念数量很多.现有逆向云发生器在转换这些概念时会...     

基于编码解码结构的微血管减压图像实时语义分割

针对真彩色微血管减压图像实时语义分割网络参数量大、语义分割精度低的问题,本文提出了一种适用于微血管减压场景的U型轻量级快速语义分割网络U-MVDNet (U-Shaped Microvascular Decompression Network),该网络由编码解码结构构成。在编码器中设计了轻型非对称瓶颈模块(LABM)对上下文特征进行编码,解码器中引入了特征融合模块(FFM),有效组合高级语义特征和低级空间细节。实验结果表明：对于微血管减压测试集,U-MVDNet在单NVIDIA GTX 2080Ti上的参数量只有0.66 M,平均交并比(mIoU)达到了76.29%,速度达到140 frame/s,且当输入图像尺寸为640×480时,U-MVDNet在嵌入式平台NVIDIA Jetson AGX Xavier上实现了实时(24 frame/s)语义分割。本文方法未使用任何的预训练模型,参数量少且推理速度快,语义分割性能优于其他对比方法,在分割精度和速度上做到了良好的平衡。同时,还可以方便地在嵌入式平台上开发和应用,性能优越,易于部署。     

非盲图像复原综述

非盲图像复原在数学上是一种典型的病态问题,也是计算机视觉领域的重要研究内容之一,其目标是在点扩散函数已知的情况下,由模糊图像估计出清晰图像,其研究重点是在改善图像清晰度和抑制噪声之间做出适当的折衷。近50年来,非盲图像复原取得了长足的发展,从早期的维纳滤波到当前的深度学习,学者们提出了数以百计的非盲图像复原算法,并应用在各个领域。本文首先介绍非盲图像复原的基本概念和研究意义,然后依据算法的属性对非盲图像复原算法进行分类概括,从总体上将其分为传统方法和深度学习方法,又进一步将传统方法细分为直接法和迭代法,并依据不同算法的模型特征,分析不同类别中主要算法的优缺点,同时结合多种典型实验,比较分析了一些代表性算法的复原性能,最后展望了非盲图像复原算法的发展趋势,归纳了重点研究方向。     

融合注意力与FCN的图像修复取证

图像修复检测是数字图像取证领域中一个非常具有挑战性的问题,为了使图像在被修复后依然保持视觉上的光滑性,常用基于样本块的修复方法来填充被篡改部分。本文提出一种融合注意力机制与全卷积神经网络(Full Convolution Network, FCN)的图像修复取证方法,首先对修复图像进行深度特征提取,再对最终的特征图进行权值分配,以获取最有效的特征图,提高检测效果。为了验证本文方法的可行性,创建了一个修复图像数据库,并通过不同性能指标来评估所提出取证网络的性能。     

基于深度学习的合同分类及要素抽取模型

合同文本的智能化处理已成为企业信息化的一个重要需求。针对合同文本存在的凌乱、碎片化和无规则的问题,本文提出了基于深度学习的合同分类模型及要素抽取模型。合同分类从标题分类和文本分类两个方向展开研究,提出了基于注意力机制的BiLSTM模型进行标题分类,基于改进的HAN深度学习模型进行文本分类,有效地提升了文本分类的准确性;针对存在的合同信息难以抽取的问题,提出基于BiLSTM-CRF深度学习模型识别合同要素,以准确获取合同要素信息。实验表明,本文提出模型能够很好地应用在合同文本处理中,能够提升分类和要素抽取的性能。