首页期刊导航|中国图象图形学报
期刊信息/Journal information
中国图象图形学报
中国图象图形学报

李小文

月刊

1006-8961

jig@irsa.ac.cn

010-64807995 8261442

100101

北京9718信箱

中国图象图形学报/Journal Journal of Image and GraphicsCSCD北大核心CSTPCD
查看更多>>本刊是集计算机图象图形高科技理论与应用研究成果、成果产品化与商情动态于一体的综合性学术期刊。是核心期刊、权威性杂志。作为中国图象图形学学会的会刊，利用学会在国内外广泛的科技信息渠道、全方位多层面的学科交叉应用，积极向产业界宣传科技成果，热心向科技界推荐最新产品。
正式出版
收录年代

    融合多尺度旋转锚机制的海洋中尺度涡自动检测

    杜艳玲刘倩倩王丽丽徐鑫...
    3092-3101页
    查看更多>>摘要：目的 海洋中尺度涡自动检测是了解其演变规律,研究其在海洋物质运输和能量传递中的作用的基础.针对海洋中尺度涡形态不规则、结构复杂多变、长宽比不确定,以及涡群海域中尺度涡分布密集导致的检测精度低的问题,提出一种基于深度学习多尺度旋转锚机制的海洋中尺度涡自动旋转检测方法.方法 首先对卫星遥感海平面高度异常数据进行可视化预处理,并采用图像处理策略对数据集进行扩充构建训练集;其次构建了一种基于深度学习多尺度旋转锚机制的中尺度涡自动检测模型,考虑到中尺度涡尺度变化大和其所处海洋环境复杂多变的特点,主干网络采用RetinaNet提取中尺度涡特征,同时采用特征金字塔结构融合中尺度涡的低层与高层特征,设计多尺度、多长宽比以及多旋转角度锚点机制实现多尺度旋转检测锚的生成;最后集成分类与回归两个子网络,实现海洋中尺度涡的自动旋转检测.结果 实验结果表明,提出的中尺度涡自动检测方法极大改进了水平检测框存在显著的大纵横比导致检测精度低和检测框嵌套和重叠现象.本文方法最优检测精度为90.22％,与水平检测方法相比,精度提升了8％.在印度洋、太平洋、大西洋和赤道海域进行了海洋中尺度涡的旋转检测实证分析,验证了模型具有很好的泛化能力.结论 本文通过设计多尺度、多长宽比和多旋转角度实现多尺度旋转锚的生成机制,达到中尺度涡目标旋转检测,有效克服了水平检测框区域冗余和检测框重叠、嵌套现象,显著提升了中尺度涡检测精度.

    目标旋转检测海洋中尺度涡海平面异常深度学习多尺度旋转锚

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    集成注意力机制和扩张卷积的道路提取模型

    王勇曾祥强
    3102-3115页
    查看更多>>摘要：目的 为解决当前遥感影像道路提取方法普遍存在的自动化程度低、提取精度不高和由于样本数量不平衡导致的模型训练不稳定等问题,本文提出一种集成注意力机制和扩张卷积的道路提取模型(attention and dilated convolutional U-Net,A&D-UNet).方法 A&D-UNet聚合网络模型以经典U-Net网络结构为基础,在编码部分引入残差学习单元(residual learning unit,RLU),降低深度卷积神经网络在训练时的复杂度;应用卷积注意力模块(conv-olutional block attention module,CBAM)从通道和空间维度两个方面优化分配权重,突出道路特征信息;并使用扩张卷积单元(dilated convolutional unit,DCU)感受更大范围的特征区域,整合道路的上下文信息.采用二进制交叉熵(binary cross entropy,BCE)和Dice相结合的复合损失函数训练模型,减轻遥感影像中样本数量不平衡导致的模型不稳定.结果 在公开的美国马萨诸塞州和Deep Globe道路数据集上进行模型验证实验,并与传统的U-Net、Link-Net和D-LinkNet图像分割模型对比分析.在美国马萨诸塞州道路测试集上,本文构建的A&D-UNet模型的总体精度、F1分数和交并比等评价指标分别为95.27％、77.96％和79.89％,均优于对比算法,在测试集中对线性特征明显、标签遗漏标记以及存在树木遮挡的道路区域具有更好的识别效果;在Deep Globe道路测试集上,A&D-UNet模型的总体精度、F1分数和交并比分别为94.01％、77.06％和78.44％,且对线性特征明显的主干道路、标签未标记的狭窄道路以及阴影遮挡的城市道路都具有较好的提取效果.结论 本文提出的A&D-UNet道路提取模型,综合了残差学习、注意力机制和扩张卷积的优点,有效提升了目标分割的性能,是一种提取效果较好、值得推广的聚合网络模型.

    道路信息残差学习单元(RLU)卷积注意力模块(CBAM)扩张卷积单元(DCU)损失函数

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    空域协同自编码器的高光谱异常检测

    樊港辉马泳梅晓光黄珺...
    3116-3126页
    查看更多>>摘要：目的 自编码器作为一种无监督的特征提取算法,可以在无标签的条件下学习到样本的高阶、稠密特征.然而当训练集含噪声或异常时,会迫使自编码器学习这些异常样本的特征,导致性能下降.同时,自编码器应用于高光谱图像处理时,往往会忽略掉空域信息,进一步限制了自编码器的探测性能.针对上述问题,本文提出一种基于空域协同自编码器的高光谱异常检测算法.方法 利用块图模型优良的背景抑制能力从空域角度筛选用于自编码器训练的背景样本集.自编码器采用经预筛选的训练样本集进行网络参数更新,在提升对背景样本表达能力的同时避免异常样本对探测性能的影响.为进一步将空域信息融入探测结果,利用块图模型得到的异常响应构建权重,起到突出目标并抑制背景的作用.结果 实验在3组不同尺寸的高光谱数据集上与5种代表性的高光谱异常检测算法进行比较.本文方法在3组数据集上的AUC(area under the curve)值分别为0.9904、0.9888和0.9970,均高于其他算法.同时,对比了不同的训练集选择策略,与随机选取和使用全部样本进行对比.结果 表明,本文基于空域响应的样本筛选方法相较对比方法具有较明显的优势.结论 提出的基于空域协同自编码器的高光谱异常检测算法从空域角度筛选样本以提升自编码器区分异常与背景的能力,同时融合了光谱域和空域信息,进一步提升了异常检测性能.

    高光谱图像(HSI)异常检测块图模型自编码器(AE)空谱特征融合

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    自适应权重金字塔和分支强相关的SAR图像舰船检测

    郭伟申磊曲海成王雅萱...
    3127-3138页
    查看更多>>摘要：目的 合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测在军事、民生领域发挥重要作用.由于SAR图像背景复杂且多为小尺度舰船目标,同时图像中的相干斑噪声导致舰船目标边缘模糊,现阶段目标检测模型无法快速高效地实现目标检测任务.为了提高模型检测精度,使模型具有更好的鲁棒性,提出了自适应权重金字塔和分支强相关的SAR图像检测模型.方法 对特征提取网络提取的特征图经过采样、融合处理获得特征自适应权重,然后利用权重指导每层特征图充分融合空间位置信息和语义信息,更好地检测小尺度目标;分支强相关模块融合分类分支和回归分支的特征,对融合后的待检测特征分别采用1×1、3×3对称卷积核和1×3、3×1非对称卷积核捕获不同的舰船特征;构建IoU(intersection over union)分支,利用IoU分支作用于分类分支,避免高IoU低分类置信度的候选框被抑制,通过设置平衡因子平衡IoU分支和分类分支,使其能更好地指导回归分支优化候选框.结果 在公开的遥感数据集SSDD(SAR ship detection dataset)上实验结果表明,本文模型的检测精度达到90.53％,F1值提升至94.35％,检测速度达到20.14帧/s.与其他SAR图像舰船目标检测算法相比有较好的检测效果.结论 实验结果表明该模型相比原始模型具有更好的检测效果,满足实时性检测需求,在SAR图像实时检测中具有实际意义.

    目标检测合成孔径雷达(SAR)自适应权重分支相关平衡因子

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普