基于条件生成对抗网络的电子地图可视水印去除方法

水印对于电子地图版权的保护十分重要,开展可视水印的去除研究有助于从攻防对抗的角度评价可视水印的有效性,进而提高电子地图可视水印的抗攻击研究水平。针对已有基于深度学习的可视水印去除方法存在训练样本量大、效率低、可视水印去除后有残留或要素丢失等问题,本文提出一种基于条件生成对抗网络(CGAN)的电子地图可视水印去除方法。该方法的模型主要由一个生成器和一个判别器组成,其中生成器采用U-Net结构,保证去除可视水印后生成的地图区域的真实性,判别器则采用基于区域判别的全卷积网络,通过对抗训练来区分生成的地图瓦片与真实地图瓦片之间的差异,使得可视水印去除后重建的电子地图更接近真实地图。实验表明,本文提出的方法简单易行,模型训练速度比基于全卷积网络的算法快4倍,能够去除文字、彩色图像及二者混合等模式的可视水印,可实现Google、高德、百度等国内外地图厂商提供的导航电子地图、遥感影像等多种地图瓦片上的可视水印批量去除,无需人工干预,且水印去除后的地图瓦片与原始真实地图瓦片有着良好的结构相似性。     

融合分散自适应注意力机制的多尺度遥感影像建筑物实例细化提取EI北大核心CSCD

遥感影像建筑物准确、高效的自动提取方法有着广泛的用途。针对现有遥感影像建筑物提取方法难以兼顾不同大小的建筑物,导致小尺度建筑物不同程度上漏检及提取的建筑物轮廓边界模糊等问题,本文提出一种融合分散自适应注意力机制的多尺度遥感影像建筑物实例细化提取方法(MBRef-CNN)。首先采用融合分散自适应注意力机制的遥感影像多尺度特征提取网络(SA-FPN)学习多尺度建筑物的特征,然后利用区域候选网络(RPN)预测单个建筑物实例的目标框位置,最后使用边界细化网络(BndRN)迭代获取精确的建筑物掩膜。在WHU aerial imagery dataset数据集上,通过与现有主流方法进行对比试验表明,本文方法的建筑物掩膜提取精确度比其他表现优秀的主流分割算法更高,在多尺度的建筑物提取上表现出良好的综合性能,且在小尺度的建筑物提取上具有明显的精度优势。