洪水基流分割非参数检验方法优选

基于江西省萍乡市五丰河流域2016—2018年实测场次洪水数据和直线斜割法所得基流流量,对比分析累积距平法、Pettitt法、滑动T检验法和Mann-Kendall检验法应用于基流分割的适用性和准确性,选择集对分析法为优选非参数检验方法。结果表明:海绵城市建设后(2018年)相对建设前(2016年)标准退水曲线基流流量增加65.2%,地下径流量增加47.3%,地下径流量占径流总量比例增加53%。Pettitt法与直线斜割法所得基流流量相对误差最小,年均相对误差为1.7%;变差系数年均相对误差最小,为5%;集对分析联系度最大,为0.81。Pettitt方法是检验海绵城市直接地表和地下二元径流成分转化的最适非参数检验法。     

基于时序特征的黄河三角洲土地覆盖动态及驱动力分析

综合不同土地利用类型的Landsat影像时序特征和面向对象分割方法,分析1985-2018年现代黄河三角洲土地覆盖时空特征,探讨土地覆盖变化的驱动机制。结果表明:1985-2018年间研究区天然湿地面积大幅减少,共减少9.9847×104 hm²,其中沼泽和草甸湿地面积减少尤为明显,而人工湿地面积则逐年增加,年平均增加率达54.66%,主要是盐田养殖场和水稻种植面积的增大;社会经济因素对研究区土地覆盖的影响程度高于水文因素;输沙量是影响研究区土地覆盖变化的主要水文因素,实测径流量的减少进一步导致天然湿地向旱地类型转化;人口和GDP变化对人工湿地面积增加的正相关作用比较显著,而天然湿地面积的减少则与该两个指标的负相关关系比较明显。     

基于条件深度卷积生成对抗网络的视网膜血管分割

视网膜血管的分割帮助医生对眼底疾病进行诊断有着重要的意义.但现有方法对视网膜血管的分割存在着各种问题, 例如对血管分割不足, 抗噪声干扰能力弱, 对病灶敏感等.针对现有血管分割方法的缺陷, 本文提出使用条件深度卷积生成对抗网络的方法对视网膜血管进行分割.我们主要对生成器的网络结构进行了改进,在卷积层引入残差模块进行差值学习使得网络结构对输出的改变变得敏感, 从而更好地对生成器的权重进行调整.为了降低参数数目和计算, 在使用大卷积核之前使用小卷积核对输入特征图的通道数进行减半处理.通过使用U型网络的思想将卷积层的输出与反卷积层的输出进行连接从而避免低级信息共享.通过在DRIVE和STARE数据集上对本文的方法进行了验证, 其分割准确率分别为96.08 %、97.71 %, 灵敏性分别达到了82.74 %、85.34 %, $F$度量分别达到了82.08 %和85.02 %, 灵敏度比R2U-Net的灵敏度分别高了4.82 %, 2.4 %.     

全景分割研究综述

在计算机视觉领域, 全景分割是一个新颖且重要的研究主题, 它是机器感知、自动驾驶等新兴前沿技术的基石, 具有十分重要的研究意义. 本文综述了基于深度学习的全景分割研究的最新进展, 首先总结了全景分割任务的基本处理流程, 然后对已发表的全景分割工作基于其网络结构特点进行分类, 并进行了全面的介绍与分析, 最后对全景分割任务目前面临的问题以及未来的发展趋势做出了分析, 并针对所面临的问题提出了一些切实可行的解决思路.     

基于区块自适应特征融合的图像实时语义分割

近年来结合深度学习的图像语义分割方法日益发展, 并在机器人、自动驾驶等领域中得到应用. 本文提出一种基于区块自适应特征融合(Block adaptive feature fusion, BAFF) 的实时语义分割算法, 该算法在轻量卷积网络架构上, 对前后文特征进行分区块自适应加权融合, 有效提高了实时语义分割精度. 首先, 分析卷积网络层间分割特征的感受野对分割结果的影响, 并在跳跃连接结构(SkipNet) 上提出一种特征分区块加权融合机制; 然后, 采用三维卷积进行层间特征整合, 建立基于深度可分离的特征权重计算网络. 最终, 在自适应加权作用下实现区块特征融合. 实验结果表明, 本文算法能够在图像分割的快速性和准确性之间做到很好的平衡, 在复杂场景分割上具有较好的鲁棒性.     

智能人机交互中第一视角手势表达的一次性学习分类识别

在智能人机交互中, 以交互人的视角为第一视角的手势表达发挥着重要作用, 而面向第一视角的手势识别则成为最重要的技术环节. 本文通过深度卷积神经网络的级联组合, 研究复杂应用场景中第一视角下的一次性学习手势识别(One-shot learning hand gesture recognition, OSLHGR)算法. 考虑到实际应用的便捷性和适用性, 运用改进的轻量级SSD (Single shot multibox detector)目标检测网络实现第一视角下手势目标的快速精确检测; 进而, 以改进的轻量级U-Net网络为主要工具进行复杂背景下手势目标的像素级高效精准分割. 在此基础上, 以组合式3D深度神经网络为工具, 研究提出了一种第一视角下的一次性学习手势动作识别的网络化算法. 在Pascal VOC 2012数据集和SoftKinetic DS325采集的手势数据集上进行的一系列实验测试结果表明, 本文所提出的网络化算法在手势目标检测与分割精度、分类识别准确率和实时性等方面都有显著的优势, 可为在复杂应用环境下实现便捷式高性能智能人机交互提供可靠的技术支持.     

深度学习在视频对象分割中的应用与展望

视频对象分割是指在给定的一段视频序列的各帧图像中,找出属于特定前景对象的所有像素点位置区域.随着硬件平台计算能力的提升,深度学习受到了越来越多的关注,在视频对象分割领域也取得了一定的进展.本文首先介绍了视频对象分割的主要任务,并总结了该任务所面临的挑战.其次,对开放的视频对象分割常用数据集进行了简要概述,并介绍了通用的性能评估标准.接着,综述了视频对象分割的研究现状,详细地分析了当前的各种方法,并将它们划分为三大类:半监督的方法,即给出视频第一帧图像中感兴趣对象的详细人工真值标注,分割出视频剩余图像中的感兴趣对象;无监督的方法,即不给任何人工标注信息,自动识别并分割出视频中的前景对象;交互式的方法,即在分割过程中,通过人工交互式的参与,结合粗略的人工标注先验信息,进行视频对象分割.第三类方法的条件相当于前两者的折中:相对于第一类方法,它虽然需要人工的参与,但只需要少量的标注工作量;相对于第二类方法,它给视频序列中某些帧的图像适当地添加了一些人工标注信息,从而更具针对性.最后,对深度学习在视频对象分割任务中的应用,进行了总结和展望.     

深度学习的图像实例分割方法综述

实例分割是一项具有挑战性的任务,需要同时进行实例级和像素级的预测,在自动驾驶、视频分析、场景理解等方面应用广泛.近年来,基于深度学习的实例分割方法迅速发展,如两阶段检测器Faster R-CNN扩展出的聚焦于网络的精度而非速度的强大实例分割基准Mask R-CNN,一度成为实例分割的标杆.利用高速检测的单阶段检测器延伸出的实例分割算法YOLACT填补了实时实例分割模型的空白,具有较高的研究和应用价值.本文首先对实例分割算法进行了类别划分,然后对一些代表性的算法及其改进算法进行了深入分析,并阐述了相关算法的优缺点,最后对实例分割方法未来的发展进行了展望.     

机械密封微小形变图像测量系统像素当量的标定

在机械密封数字散斑微小形变图像测量系统中,像素当量的标定工作介于图像采集和处理之间;基于VC++2008 MFC开发了图像像素当量标定系统;系统包含了抓图、图像的阈值分割、形态学处理、扫描检测标定块的边缘及线性回归分析功能;介绍了抓图软件的开发过程;编制了形态学的腐蚀、膨胀及开/闭运算的函数,使用这些函数实现了图像的形态学处理;在形态学处理后显示图像的基础上框选包含标定块的理想区域使用扫描法获取边缘信息;对获取的边缘信息进行线性回归分析拟合出标定块的上下边缘的直线方程,根据拟合出的方程求出两条直线间的距离,最后用标定块的实际宽度除以直线间的距离即为像素当量;运行结果表明获得了亚像素级别的像素当量,保证了后期使用DSCM方法计算微小形变的精度.