摘要：针对经典全卷积网络(fully convolution network,FCN)分类精度低、效果差,以及传统的极化合成孔径雷达(PolSAR)土地覆盖分类方法未充分考虑地物散射特性的问题,提出了一种结合改进FCN和条件随机场(conditional random field,CRF)的全极化SAR土地覆盖分类算法。首先,利用Freeman分解和Pauli分解建模全极化SAR影像,同时提取各分解对应的散射特征,参考Freeman分解散射功率获取其主散射分量对应的主散射地物;同时,借鉴在图像分类领域中具有卓越表现的FCN-Vgg19-8s网络,考虑其高层卷积参数量大和低层卷积模型参数优化程度不足,通过在高层和中层分别构建多尺度卷积组和代价函数设计了FCN-MD-8s网络,保证对整体模型参数进行降维和优化;以Freeman分解散射机理特征为基准,采用级连式迁移学习结构,实现FCN-MD-8s网络的模型训练和测试;然后,根据主散射分量所对应的主散射地物,在各分量预测图中提取出主特征地物,得到分量地物分类结果,并将其进行叠加得到全局粗分类;最后,利用全连接CRF结合Pauli相干分解重建假彩色图,对全局粗分类进行全局像素类别转移获得细分类结果。通过对分类结果定性和定量分析,可知提出算法具有有效性和可行性。

摘要：针对目前基于深度学习的显著目标检测算法存在的目标完整性和区域平滑度的不足,基于非局部深度特征提出一种多尺度上下文信息增强的全卷积网络算法,包含多级别特征提取、多尺度上下文特征增强、对比度特征提取和局部-全局信息融合预测4个模块.首先从VGG16模型提取多级别局部特征,利用多尺度上下文实现特征信息增强;然后设计组合的损失函数进行网络训练以学习对比度特征;最后用局部-全局融合的方式实现显著图的预测.与已有算法在ECSSD,HKU-IS和DUT-OMRON数据集上进行实验的结果表明,该算法在复杂场景图像上的鲁棒性更好,对背景噪声具有更有效的抑制作用,得到的显著目标区域更加连续和完整.

摘要：自然场景图像质量易受光照及采集设备的影响,且其背景复杂,图像中文字颜色、尺度、排列方向多变,因此,自然场景文字检测具有很大的挑战性.本文提出一种基于全卷积网络的端对端文字检测器,集中精力在网络结构和损失函数的设计,通过设计感受野模块并引入Focalloss、GIoUloss进行像素点分类和文字包围框回归,从而获得更加稳定且准确的多方向文字检测器.实验结果表明本文方法与现有先进方法相比,无论是在多方向场景文字数据集还是水平场景文字数据集均取得了具有可比性的成绩.

摘要：为实现复杂背景下裂纹目标的有效检测及降低错误标记,将全卷积网络(FCN)引入图像裂纹检测中,并针对裂纹检测实验中FCN模型存在丢失局部信息和丧失部分精细化区分能力的问题,构建一种Crack FCN模型.首先在增大分辨率的同时,取消全连接层中的Dropout技术,以增大裂纹信息的选择;其次通过加深FCN的网络深度,使整个网络实现递进式特征传递;最后在网络之后添加更高尺度的反卷积层来扩充局部精细细节.在2 156幅自制的裂纹图像数据集上对文中模型、FCN-8s模型以及其他检测方法进行实验的结果表明,Crack FCN网络模型在提高检测精度的同时可以有效地降低错误标记.

摘要：烟尘黑度是工业污染监测中的一项重要指标,针对用计算机图像识别技术在基于林格曼烟气黑度烟尘自动监测中如何将烟尘目标区域从背景中有效分割,以及工业烟尘具有形状不固定和云相似度高等特点,导致现有方法在复杂场景下分割烟尘的结果不准确,提出了一种改进全卷积网络模型.结合多尺度卷积操作,增强网络的特征提取能力;通过在交叉熵的基础上添加动态权重,增强对分类不准确点的训练,进一步提升分割的准确度.在实际工厂烟尘排放图像数据集上的实验结果表明,所提方法比原有模型在复杂场景下对烟尘的分割结果更准确,F1度量和交并比2项指标提升显著.

摘要：针对现有船舶检测算法受海面背景噪声和不同种类船舶尺度变化影响,存在较多误检和漏检现象的问题,提出一种特征增强全卷积网络下的船舶检测方法.首先引入多尺度特征增强机制,提高模型对船舶目标的特征描述力.在每个单尺度特征提取阶段,利用计算获得的统计信息抑制海浪、杂波等背景噪声对船舶特征描述的干扰.同时,在多尺度特征融合阶段,利用双阶段特征自适应融合策略提高网络对不同尺度大小船舶的感知力.进一步,在回归分析求解框架下,改进目标检测头部网络,在回归分支中通过注意力增强机制优化中心度计算,更好地抑制低质量目标检测框,在保证检测效率的同时提高检测性能.所提方法在大型海事监控数据集SeaShips上的均值平均精度达到91.6%,检测速度为9帧/s,实验结果表明所提方法具有良好的准确性和鲁棒性.

摘要：目的遥感影像地物提取是遥感领域的研究热点。由于背景和地物类型复杂多样,单纯利用传统方法很难对地物类别进行准确区分和判断,因而常常造成误提取和漏提取。目前基于卷积神经网络CNN(convolutional neural network)的方法进行地物提取的效果普遍优于传统方法,但需要大量的时间进行训练,甚至可能出现收敛慢或网络不收敛的情况。为此,基于多视觉信息特征的互补原理,提出了一种双视觉全卷积网络结构。方法该网络利用VGG(visual geometry group) 16和Alex Net分别提取局部和全局视觉特征,并经过融合网络对两种特征进行处理,以充分利用其包含的互补信息。同时,将局部特征提取网络作为主网络,减少计算复杂度,将全局特征提取网络作为辅助网络,提高预测置信度,加快收敛,减少训练时间。结果选取公开的建筑物数据集和道路数据集进行实验,并与二分类性能优异的U-Net网络和轻量型Mnih网络进行对比。实验结果表明,本文提出的双视觉全卷积网络的平均收敛时间仅为U-Net网络的15.46%;提取精度与U-Net相当,远高于Mnih;在95%的置信水平上,该网络的置信区间明显优于U-Net。结论本文提出的双视觉全卷积网络,融合了影像中地物的局部细节特征和全局特征,能保持较高的提取精度和置信度,且更易训练和收敛,为后续遥感影像地物提取与神经网络的设计提供了参考方向。

摘要：图像中的人群计数在公共安全领域具有重要价值.为了解决由于摄像机透视效果、人群密度分布不均匀和严重遮挡等导致人群计数准确率低的问题,本文提出一种多尺度全卷积网络架构,用于准确地估计任意摄像头视角的静态图片的人群密度.通过利用不同尺度的卷积核,使分支网络能更好地学习图像中头部特征变化.同时,由于每个分支网络设计的网络层数量不同,因此这种多尺度的网络组合能够有效地捕捉高层的语义信息和低层的细节信息.实验结果显示,本方法在Shanghai-tech标准数据集上具有较高的人群计数准确率.

摘要：针对皮肤病变图像在病变区域的形状、纹理、与周围未发生病变区域对比度相对较低等因素,提出一种基于改进全卷积网络的皮肤病变图像分割算法。采用全卷积网络提取皮肤病变图像的形状纹理等特征,引入Jaccard-Diceloss损失函数解决皮肤病变图像中病变与背景区别过大的问题,进一步提高整体的分割性能。对输入皮肤病变图像进行预处理,使用VGG16模型对改进全卷积网络进行微调训练及测试。通过实验得到各项皮肤病变图像分割结果的评估指标值,其结果表明,改进全卷积网络对于皮肤病变图像的分割效果最优,在其它医学图像分割问题上有极大的应用前景。

摘要：针对当前采用密度图回归方法估计人群数量时人数被高估的问题,提出一种基于计数回归和密度图估计的全卷积网络框架,采用计数回归与密度图回归相结合的方式对人群密度图进行估计。为训练模型参数和有效避免过拟合现象的出现,设计一种更深更轻且参数数量很少的完全卷积网络(full convolutional network,FCN)作为人群密度图估计器。实验结果表明,提出算法对密度分布不均和尺度不一的人群图像都有很好的适用性和准确性,算法性能优于现有的人群计数算法。