摘要：为解决遥感图像场景下多尺度目标检测准确率低的问题,提出DAFFNet遥感图像目标检测算法。该算法基于SSD进行了三方面的改进:为增强多尺度特征信息的获取能力,设计一种基于分组的特征融合方法;引入基于注意力机制的多维度特征优化方法,来解决复杂背景下目标分类困难的问题;将Focal loss作为新的边界框置信度损失函数,令模型聚焦于难分类的正样本,以改善正负样本不平衡对目标分类所造成的干扰。在遥感公共数据集NWPU VHR-10上进行模型评估,实验结果表明,该算法相较于原算法均值平均精度提高5.1百分点,能有效地提高遥感图像目标检测准确率。

摘要：利用遥感图像进行语义分割是一种有效的土地覆盖分类方法。然而由于主流框架存在边缘分割不准确、缺乏全局信息导致错误分类等问题,阻碍了其在土地覆盖分类中的应用。针对以上问题,提出了一种用于遥感图像土地覆盖分类的卷积神经网络(Convolutional Neural Networks,CNN)和Transformer混合网络CTHNet,结合了CNN的局部细节提取能力和Transformer的全局信息提取能力。同时设计了自适应融合模块,融合来自对应级别的CNN和Transformer特征,自适应融合模块的输出进入分割头得到最终的预测结果。最后,结合边界检测分支为语义分割提供边缘约束。在两个公开的土地覆盖分类数据集上的实验结果表明,该方法优于当前主流的方法,分别实现了90.53%和64.33%的平均交并比(mIoU),对遥感图像中的大目标和边界也有更好的识别效果。

摘要：针对基本蚁群算法在求解旅行商问题时表现的停滞和早熟现象,提出一种带遗忘因子的蚁群优化算法。通过在人工蚂蚁中加入遗忘因子,建立新的状态转移公式,修改信息素更新策略,蚂蚁按照基本蚁群算法的搜索方式工作,结合当前解的最优值误差率,对状态转移方程进行调整,新公式可用于降低最优值误差、提高最优值跟踪能力、修正路径评价模型、计算每条路径到当前最优解的概率。对TSP实例的仿真结果表明,改进算法耗时更短,路径寻优结果更优。

摘要：孪生网络是由2个或多个人工神经网络建立的耦合框架,因其将回归问题转换为相似度匹配问题,备受计算机视觉领域的研究人员关注。随着深度学习理论的快速发展,目标跟踪技术在生活中得到了广泛的应用。基于孪生网络的目标跟踪算法以其相对优越的准确率和实时性逐渐代替了传统的目标跟踪算法,成为目标跟踪的主流算法。首先,介绍了目标跟踪任务面对的挑战和传统方法;然后,介绍了孪生网络的基础结构及其发展,汇总了近年来基于孪生网络的目标跟踪算法与相应设计原理;另外,介绍多个用于目标跟踪测试的主流数据集,并基于这些数据集对比了基于孪生网络的目标跟踪算法的性能;最后,提出基于孪生网络目标跟踪算法目前存在的问题及对未来的展望。

摘要：为降低K值的不确定性和初始聚类中心的随机性对聚类结果的影响,提出一种基于优化Canopy算法和均值计算法的改进K-means算法——CK-means+。优化Canopy算法,降低距离阈值T不确定性对最终输出K值的影响,通过Canopy算法和均值计算法得到K值和初始中心点。在UCI数据集上,结合Spark框架并行化,实验结果表明,相较其它算法,CK-means+算法效率更高,可以更好适应大规模数据应用场景。

摘要：针对现有图像超分辨率重建方法中高频图像信息不丰富的问题,提出一种基于反馈和注意机制的单图像重建生成对抗网络(GFSRGAN)。采用反馈网络作为生成器,通过反馈连接逐步生成高分辨率图像;提出一种具有注意机制的反馈块,其能在处理反馈流的同时,自适应地选择有用的特征信息;利用相对平均最小二乘GAN(RaLSGAN)损失引导模型获得更真实的图像。实验结果表明,与现有基于GAN的超分辨方法相比,该方法重建出的图像纹理更加逼真自然。

摘要：针对高分辨率遥感图像建筑物分割方法存在分割完整度低和模型参数量大的问题,提出一种轻量化的编码器-解码器结构网络LED-Net (lightweight encoder decoder network)。编码器使用带有通道注意力机制的残差网络,使得网络充分提取图像的特征信息;解码器使用轻量化的数据依赖上采样模块,增加建筑物分割完整度,减少模型参数量。使用INRIA Aerial Image与Massachusetts Buildings数据集对该算法进行实验,LED-Net相较DeepLabV3+、Building-A-Net等模型,减少了模型参数量,提升了分割精确度及预测图中建筑物的整体和边缘分割完整度。

摘要：基于医学肺部影像开发智能诊断新冠肺炎的深度学习方法能够减轻大量医护人员的工作,且能够提供可靠的准确性,然而深度学习方法的高准确性通常依赖于数据样本的质量.在自然界存在的医学图像数据的来源和处理过程并不单一,数据样本差异性较大和质量不佳会增大深度学习模型提取关键特征的难度,有效的数据预处理和合适的模型设计十分关键.基于肺部CT图像,本论文提出一种像素分割联合双分支模型ReSWNet辅助诊断新冠肺炎感染.该方法首先训练像素分割模型进行分割预处理,实现肺部CT图像无关背景的剔除,然后通过结合了卷积神经网络和自注意力模型优缺点的双分支模型进行肺炎诊断.通过在COVID-CT数据集上对该方法进行验证表明,在诊断准确率、召回率和F1分数等性能指标方面,该方法较基线模型分别提高了8.6%、16.05以及7.71%,最后采用可视化结果热力图为诊断提供了可解释性.

摘要：为了及时了解基于TransE的表示学习方法的最新研究进展,通过归纳与整理,将基于TransE的表示学习方法分为基于复杂关系、基于关系路径、基于图像信息以及基于其他方面的方法四种类型。对每一种方法的设计思路、优缺点等进行了详细的分析,同时对基于TransE的表示学习方法的公共数据集与评价指标进行了对比、总结,对各种基于TransE的表示学习算法在实验中的表现进行了对比分析。从研究结果来看,PaSKoGE、NTransGH、TCE、TransD方法在进行链接预测和三元组分类任务上表现效果最好,值得推广和进一步拓展,并可在其特定于路径的嵌入、两层神经网络、三元组上下文、动态构造映射矩阵上进一步完善。

摘要：LED已经广泛渗透到大众生活的照明、指示、通信、定位等众多领域。特别是在可见光通信领域,LED自身的空间辐射特性主导了其在不同可见光通信场景的实际性能。实际上,如何基于不同类别、不同复杂程度的光源辐射特性解析模型,平滑地实现LED光波束三维建模及直观展示,仍然缺少针对性的阐述和讨论。面向各类新型光源应用对LED空间辐射特性的表征实验需求,本文提出了面向LED朗伯辐射特性、对称非朗伯辐射特性以及非对称非朗伯辐射特性空间建模及直观展示的仿真实验方法。该方法能够满足商用迥异LED光波束的三维展示需求,同时能够满足对LED空间辐射特性进行针对性地二维剖析需求。此外,上述工作为后续开展可见光通信组合光波束的优化设计提供了路径和便利。