摘要：为快速准确地识别滑坡地质灾害,本文提出基于YOLOv7的轻量滑坡检测模型。实验结果表明,改进后YOLOv7网络模型整体mAP达到94.6%,与原始YOLOv7网络模型相比,参数量减少了20.8M,计算量减少47.3G,整体mAP0.5提高3.8%,检测速度FPS提高14.3f/s,对滑坡灾害具有出色的检测效果。

摘要：由于酒瓶产品缺陷多样以及产品缺陷较小,使用了YOLOv5作为基础框架来设计算法。对YOLOv5进行了深入研究,发现虽然空间池化金字塔(Spatial Pyramid Pooling,SPP)在多尺度检测中优化了计算量和减少了数据量。但是,在某些情况下,空间金字塔池化会出现信息丢失的问题,影响了检测精度。为此,提出一种将空间池化金字塔改进为空洞空间池化金字塔(Atrous Spa‐tial Pyramid Pooling,aspp)。aspp可以对不同尺度的特征图进行并行池化,从而综合多尺度特征信息,获得更全面、更准确的特征表示。将SPP算法改进为aspp算法后,在酒瓶缺陷数据集上进行了实验。实验结果证明改进后的YOLOv5算法在酒瓶缺陷检测精度上提升4%,mAP@0.5提升了2%,mAP@0.5:0.95提升了1.5%。

摘要：在进行胃肠道癌症治疗的过程中,肿瘤学家须借助医疗设备对肿瘤和肠道位置进行可视化,然后手动勾画出胃和肠道的位置,以便调整X射线束的方向,增加向肿瘤输送的剂量并避开胃和肠道,但是这些位置每天都在变化,且过程耗时费力。如何借助深度学习技术替代放射肿瘤学家进行自动化分割,以降低治疗时间,减轻患者等待过程中的疼痛,这是一个亟须解决的问题。基于此,提出基于HRNet的胃肠道图像分割方法。首先,选用HRNet作为基础模型,在HRNet模型的head部分引入aspp(atrous spatial pyramid pooling)模块,提高模型捕获多尺度信息的能力,提高检测精度;其次,在主干网络中引入轻量化MobileNetV2结构,提高模型的实时性,同时,使用Dice Loss替代交叉熵,增强模型检测困难样本的能力;最后,在UW-Madison数据集上验证模型的有效性。结果表明:该模型能够精确提取胃肠道轮廓,且具有较好的泛化性能,能够替代人工自动化完成胃肠道影像分割工作。

摘要：传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进:(1)在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;(2)在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;(3)在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到87.3%、90.2%、88.4%、96.4%,均高于UNet-EF、FC-Siamconc、Siam-DeepLabv3+网络和N-Siam-DeepLabv3+网络,检测结果较为完整,对边界的检测也更为平滑,且对尺度变化具有更高的鲁棒性。

摘要：目的针对aspp(atrous spatial pyramid pooling)在空洞率变大时空洞(atrous)卷积效果会变差的情况,以及图像分类经典模型ResNet(residual neural network)并不能有效地适用于细粒度图像分割任务的问题,提出一种基于改进aspp和极化自注意力的自底向上全景分割方法。方法重新设计aspp模块,将小空洞率卷积的输出与原始输入进行拼接(concat),将得到的结果作为新的输入传递给大空洞率卷积,然后将不同空洞率卷积的输出结果拼接,并将得到的结果与aspp中的其他模块进行最后拼接,从而改善aspp中因空洞率变大导致的空洞卷积效果变差的问题,达到既获得足够感受野的同时又能编码多尺度信息的目的;在主干网络的输出后引入改进的极化自注意力模块,实现对图像像素级的自我注意强化,使其得到的特征能直接适用于细粒度像素分割任务。结果本文在Cityscapes数据集的验证集上进行测试,与复现的基线网络Panoptic-DeepLab(58.26%)相比,改进aspp模块后分割精度PQ(panoptic quality)(58.61%)提高了0.35%,运行时间从103 ms增加到124 ms,运行速度没有明显变化;通过进一步引入极化自注意力,PQ指标(58.86%)提高了0.25%,运行时间增加到187 ms;通过对该注意力模块进一步改进,PQ指标(59.36%)在58.86%基础上又提高了0.50%,运行时间增加到192 ms,速度略有下降,但实时性仍好于大多数方法。结论本文采用改进aspp和极化自注意力模块,能够更有效地提取适合细粒度像素分割的特征,且在保证足够感受野的同时能编码多尺度信息,从而提升全景分割性能。

摘要：为了解决目前面向多时相遥感影像农作物分割中存在的研究较少、分割精准度较低等问题,设计了一种基于3D特征金字塔网络(FPN)结构的模型,并引入空洞空间卷积池化金字塔(aspp)模块,使得该网络能够捕获图像的多尺度特征,融合图像更多的上下文语义信息.此外针对数据集类别数量和难易区分程度不平衡的问题,引入了Focal loss函数,通过设置权重因子,使得网络更多关注数量少或难区分的类别.以2019年齐齐哈尔市的多时相遥感影像为数据源,对玉米、大豆、水稻以及其他四种类别进行分割.实验结果显示,总精准度达到了93.6%,平均召回率达到了93.2%,平均准确率达到了94.0%,平均F1得分达到了93.5%,平均交并比(IoU)达到了88.6%,优于3D FCN、3D Unet、2D Unet+CLSTM等农作物分割方法,证明了提出的模型的有效性.

摘要：为兼顾车道线检测的准确性与实时性,本文提出一种基于改进的DeeplabV3+模型的车道线检测方法。首先通过水平翻转、改变图像的亮度、饱和度等方法对车道线图像进行数据增广,加强模型对于眩光、车道线破损情况下长直型、大曲率车道线的泛化能力。其次将模型的主干网络更换为轻量级的MobilenetV2网络,提高模型训练速度,并依据车道线图像特点改进aspp结构,合理设计组合多采样率空洞卷积,提高模型对边缘车道线及远处车道线的预测效果,利用深度可分离卷积,减少模型参数量。最后本文依据车道线图像特点提出了双注意力机制DAMM结构,通过合理分配注意力资源,提高模型分割能力。实验表明,改进的DeeplabV3+模型像素精度为99.35%,平均交并比为86.08%,单图预测时间为22.62ms,说明改进DeeplabV3+模型兼顾准确性和实时性。

摘要：针对利用DeepLabV3+网络进行植被提取参数量过大、计算效率低、空间尺度适应性差等问题,本文以2 m分辨率重庆GF-1D影像为数据源,自制植被样本数据集,提出一种轻量化DeepLabV3+网络模型进行植被提取。该模型以MobileNetV2作为主干网络架构,在保证模型基本性能的前提下通过深度可分离卷积和反向残差模块降低其参数量,优化设计aspp膨胀系数以增强对于不同尺寸林地、草地的提取能力,最后融合scSE注意力机制模块来获取准确的植被及边缘特征信息。结果表明:(1)轻量化DeepLabV3+网络模型的参数大小从208.7 MB减少到25.28 MB,每批次平均训练时间从7.47 min缩减到1.92 min;(2)模型的均交并比(mean intersection over union,MIoU)、均像素精度(mean pixel accuracy,MPA)、准确率(accuracy,ACC)达到75.8%、86.49%、91.32%。

摘要：目的构建iaspp基因的RNA i真核表达载体PGCsilencerTMH1/Neo/GFP/RNA i,并观察其转染白血病细胞株Jurkat前后iaspp的表达变化以及其对细胞凋亡的影响。方法根据GenBank中iaspp的序列,设计特异性siRNA序列,将模板序列克隆至PGCsilencerTMH1/Neo/GFP质粒中,测序鉴定后,用脂质体将重组子转染至Jurkat细胞中,用RT-PCR方法检测iaspp的表达,用流式细胞仪检测细胞凋亡的变化。结果经测序,模板序列与设计序列完全正确,RT-PCR检测Jurkat细胞中iaspp表达在转染干扰质粒后有明显的下降,转染后Jurkat细胞凋亡由11.81%增加到33.15%。结论成功构建了iaspp基因的RNA i真核表达载体,且其对白血病细胞有一定的干扰效果,为下一步探讨iaspp对肿瘤细胞中p53的抑癌作用机制奠定了基础。