Page 33 - 2024年第55卷第1期
P. 33
图 ３ 融合 ＧＣＮｅｔ的 ＨＴ － ＬＣＮＮ网络结构图
原始图像经过卷积层和残差模块提取特征后，输入 ＨＴ － ＩＨＴ模块 ［２１］ 。该模块采用残差结构，支路
通过 ＨＴ － ＩＨＴ变换提取特征后生成新的特征图，并与输入特征图相连生成输出特征图。
３．２．２ 交点建议模块 原始图像经过骨干网络提取特征后，利用交点建议模块对特征图进行交点预
测。交点建议模块首先将输入特征图（宽为 Ｗ，高为 Ｈ）等分为若干大小为 Ｗ × Ｈ的单元，由神经网络
ｂ
ｂ
预测每个单元是否包含线段交点及其在该单元内的相对位置，输出交点似然概率特征图 Ｆ 和交点偏
ｊｕｎ
移图 Ｏ，从而实现交点检测。对 Ｆ 的预测采用 ｓｏｆｔｍａｘ分类器，其损失 Ｌｏｓｓ 采用平均二元交叉熵损
ｊｕｎ ｊａｍｐ
失；对 Ｏ的预测采用 Ｌ回归和偏移量为－ ０．５的 ｓｉｇｍｏｉｄ激活函数用于归一化，得到其损失 Ｌｏｓｓ。交点
ｏｆｆ
２
预测损失 Ｌｏｓｓ 为两种损失之和：
ｊｕｎｃ
× Ｌｏｓｓ （２）
Ｌｏｓｓ ＝ λ ｊｍａｐ × Ｌｏｓｓ ＋ λ ｏｆｆ
ｊｕｎｃ ｊｍａｐ ｏｆｆ
分别为 Ｆ 、Ｏ的损失权重，在本研究中分别设置为 ８和 ０．２５。在初步预测完成后，采
式中 λ ｊｍａｐ 、λ ｏｆｆ
ｊｕｎ
用非极大值抑制来移除正确预测周围的低分预测结果。
１
３．２．３ 线段采样模块 线段采样模块的目的是在训练阶段利用候选交点生成线段列表｛Ｌ｝ ＝ ｛（ｐ，
ｊ ｊ
２
２
１
ｐ）｝（ｊ ＝ １ ，２，…，Ｍ），其中 ｐ 和 ｐ 用于表示第 ｊ条候选线段的两端点坐标。在线段采样过程中，由
ｊ ｊ ｊ
于线段正负样本数目的不平衡，采用静态线段采样器和动态线段采样器相结合的机制进行线段正负样
本选取，如图 ４所示。
图 ４ 静态采样器和动态采样器
静态采样器直接从图像真实标签中提取正样本和负样本，为模型在精度较低的初始阶段提供足够
数量的正确样本。动态采样器使用交点建议模块的预测结果来采样线段，一方面能够扩充样本数量，
另一方面由于所定义的动态正样本与负样本的端点均需要与真实值匹配，能够帮助模型提高对线段端
— ２ ８ —
