TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题，提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵，然后将所有像素的交叉熵按从大到小进行排序，随后确定一个K值作为阈值，筛选出前K个交叉熵最大的像素，最后对于筛选出的K个像素交叉熵取平均，做为损失值。在ISPRS 提供的 Vaihingen 数据集上，使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明，不同的K值，使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳，MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数     

一种深度学习分割遥感影像道路的损失函数

传统的根据光谱特征或形态学算法来分割道路，存在精度低、阈值难确定等缺点，而深度学习中已有的方法并未考虑道路的特性，只是利用通用方法来分割道路。针对上述不足，提出了一种针对道路特有形态的深度学习损失函数——形态损失函数。首先使用连通性算法将预测结果划分为若干个相互分离的连通区域，分别计算这些区域的面积与外接圆面积的比值，然后取平均值作为此批训练数据的形态损失函数，最后将形态损失函数按一定的比例与交叉熵损失函数求和，得到最终的损失函数。通过在公开的遥感数据集上使用深度学习网络进行对比试验，附加了形态损失函数后平均交并比（MIoU）、准确度（ACC）及F1 Score均有提高。从预测的图形来看，附加了形态损失函数后，预测的道路更为连续。所提出的形态损失函数可用于提高光学遥感影像道路分割的精度。     

圆片小冲杆试验新方法与航空材料力学性能互换

针对具有结构材料微损取样优势的圆片小冲杆试验,基于能量密度等效理论,建立了关联圆片微试样小冲杆试验载荷、位移、几何尺寸和材料单轴力学律参数的载荷-位移模型;进而针对航空金属材料,提出了单轴拉伸试验结果与小冲杆试验结果之间实现材料力学性能互换的小冲杆试验新方法。对5种航空金属材料完成了小冲杆试验及传统拉伸试验,结果表明,新方法所得圆片微试样的应力-应变曲线与单轴拉伸试验结果密切吻合,所得弹性模量与单轴拉伸试验结果之间相对误差在10%以内,所得塑性延伸强度和抗拉强度与单轴拉伸试验结果相对误差大部分在5%以内。新方法有望促进小冲杆试验在服役结构安全评价中的应用。     

融合邻域色差的PSPNet对遥感影像的分割

传统的遥感影像语义分割利用影像的光谱特性,将具有相似值的像素进行归类,但无法区分具有不同光谱的同一类对象.针对这一问题,提出将邻域的色差信息和原始图像一起输入PSPNet网络中的方法.先将RGB变换到LAB空间,然后采用CIELAB公式计算出每一个像素与周围8个邻域像素的色差值,取平均值作为该像素的邻域色差值.在WHU...