融合注意力机制和空洞卷积的滑坡图像检测

滑坡区域图像检测与识别在灾害范围识别、灾情数据分析和防灾减灾中具有丰富的应用和研究价值。本文针对滑坡图像滑坡体形状纹理的多样性,以及滑坡目标区域检测识别效果不够理想的问题,提出一种注意力机制CBAM与空洞卷积结合的目标检测方法。在传统的目标检测算法Faster R-CNN的基础上,将注意力机制模型添加到卷积神经网络层,通过空间注意力与通道注意力结合的CBAM模型来进行滑坡图像特征的提取,增加空洞卷积模块来加大感受野区域,提高神经网络对遥感图像区域中的滑坡目标识别、尺寸不规范等特点的学习能力,从而进一步提升滑坡目标区域的检测精度。实验结果表明,在传统的目标检测算法的基础上采用两者结合的方式进行检测,可提升滑坡遥感图像上目标检测的召回率和精确率,具有一定的有效性和鲁棒性。     

多层结合的多阶显式交互的融合推荐模型

现有不少模型着眼于对有限数据通过生成显式特征交互以进行挖掘来提升点击率预测效果,但存在以下问题：对于原特征与新生成的显式特征,直接一起输入到一个统一的神经网络结构进行挖掘然后输出,由于两者参数量差别较大导致在表征上差异巨大;同时如果直接采用多级层数的神经网络结构还会导致低层,如第一层、第二层信息的丢失,但若直接将各层进行累加以结合,则一些层中有用性有限的信息可能成为噪声以影响预测。为此设计多层权重结合的多阶显式交互的融合推荐模型,通过将原数据与生成的多阶显式特征分别放入各自对应的自注意力层中挖掘,其中各自对应结构的层数不同,同时对各层进行加权后输出以完成多层的结合,以提高点击率预测效果。通过在两个公开数据集上与多个不同模型进行比较分析,并对模型进行消融对比实验和超参数对比,证明了该模型能有效挖掘原特征与显式交互特征信息,平衡各阶特征表征能力。