"多模态特征融合的遥感图像语义分割网络"
本文介绍了一种多模态特征融合的遥感图像语义分割网络，称为MMFNet。该网络能够融合 IRRG(Infrared、Red、Green)图像和 DSM(Digital Surface Model)图像，提取融合后的特征，并使用残差解码块(Residual Decoding Block, RDB)和复合空洞空间金字塔(Complex Atrous Spatial Pyramid Pooling, CASPP)模块提取跳跃连接的多尺度特征。
MMFNet 网络的架构主要包含以下几个部分：
1. 编码器：使用双输入流的方式同时提取 IRRG 图像的光谱特征和 DSM 图像的高度特征。
2. 解码器：使用残差解码块(Residual Decoding Block, RDB)提取融合后的特征，并使用密集连接的方式加强特征的传播和复用。
3. 复合空洞空间金字塔(Complex Atrous Spatial Pyramid Pooling, CASPP)模块：提取跳跃连接的多尺度特征。
实验结果表明，MMFNet 网络在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing, ISPRS)提供的 Vaihingen 和 Potsdam 数据集上取得了 90.44%和 90.70%的全局精确度，相比较与 DeepLabV3+、OCRNet 等通用分割网络和 CEVO、UFMG_4 等同数据集专用分割网络具有更高的分割精确度。
本文的贡献在于：
1. 提出了多模态特征融合的遥感图像语义分割网络，能够融合 IRRG 图像和 DSM 图像，提高了遥感图像语义分割的精确度。
2. 引入了残差解码块(Residual Decoding Block, RDB)和复合空洞空间金字塔(Complex Atrous Spatial Pyramid Pooling, CASPP)模块，提高了网络的表达能力和泛化能力。
本文提出了一个多模态特征融合的遥感图像语义分割网络，能够提高遥感图像语义分割的精确度和泛化能力，有助于国土资源规划、智慧城市等领域的应用。
2024-07-01 16:47:59
1.49MB
1
第二章背景知识.全卷积网络 .使用全连接网络进行精准分割 .线性结构网络 .对称结构网络 .第三章 实验设计.数据集选择及处理 .图像处理流程设计 .网络结构
2023-03-07 10:39:35
9.58MB
1
一套完整的语义分割的源代码，标注清晰明确，内容充实完备，修改简便，于MATLAB平台运行，适用于学习语义分割各阶段的研究学习人员。
2023-01-04 17:58:46
113KB
1
通过深度学习模型对室内楼道环境的视觉信息进行处理，帮助移动机器人在室内楼道环境下自主行走。为达到这个目的，将楼道环境对象分为路、门、窗户、消防栓、门把手和背景六类，通过图像的语义分割实现对象识别。在对楼道环境的六类对象进行分割的实验中发现，由于门把手比起其他对象小很多，影响了对它的识别效果；将六分类模型改为“5 2”分类模型，解决了这个问题。分类模型的基础是全卷积神经（FCN）网络，可以初步实现图像的分割。为了提高FCN网络的分割效果，从三个方面进行了实验研究：a）取出FCN网络的多个中间特征层，进行多层特征融合；b）考虑到移动机器人行走过程中视觉信息的时间序列特点，将递归神经网络（RNN）的结构纳入到FCN网络中，构成时间递归的t-LSTM网络；c）考虑到二维图像相邻像素之间的依赖关系，构成空间递归的s-LSTM网络。这些措施都有效地提高了图像的分割效果，实验结果表明，多层融合加s-LSTM的结构从分割效果和计算时间方面达到综合指标最佳。
2022-06-05 04:03:41
1.24MB
1
win图像语义分割实用程序，由《model_zoo.md》中的模型《mobilenetv2_dm05_coco_voc_trainaug》改编而成。
2022-05-16 13:22:47
6.15MB
1
matlab数据平滑代码简报网
MICCAI
2017论文代码“
BRIEFnet：使用稀疏扩张卷积进行深层胰腺分割”
由Mattias
P.
Heinrich和Ozan
Oktay撰写。
请参阅以获取PDF和更多详细信息
先决条件示例
1）创建一个免费的synapse.org帐户并下载胰腺数据集
MICCAI“超越颅骨库”研讨会（）
登录并单击“文件”，然后选择“腹部”（或转到），您只需要下载RawData.zip（大小为1.53
GB并包含30次扫描），然后解压缩文件即可。
请注意，文件不是连续命名的（缺少11-20）-在步骤2中将得到修复。
2）打开MATLAB实例并预处理数据
如果您在安装Jimmy
Shen的工具箱之前尚未在MATLAB中使用过nifti文件，请执行以下操作：
获得训练数据后，应使用提供的边界框（boundingboxes_abdomen15.mat）对其进行裁剪。
通过以下方式运行脚本：
bbox=load(
'
boundingbox_abdomen15.mat
'
);
crop_scans(bbox,in_folder,out_folder);
提供输
2022-05-15 15:52:20
23.6MB
1