检索结果-南通市图书馆

基于YOLOv4改进特征融合及全局感知的目标检测算法

在线全文

学校读者我要写书评

暂无评论

智能系统学报 2024年第2期19卷 325-334页

作者：程德强马尚寇旗旗张皓翔钱建生中国矿业大学信息与控制工程学院江苏徐州221116 中国矿业大学计算机科学与技术学院江苏徐州221116

YOLOv4算法在检测速度和精度上达到了很好的平衡,但仍存在着定位框不准确、检测率低的问题,尤其是在检测目标较小、尺度变化大的情况下。针对以上问题,提出一种新的基于YOLOv4改进的目标检测算法。该算法采用改进的特征融合模块(path ag... 详细信息

YOLOv4算法在检测速度和精度上达到了很好的平衡,但仍存在着定位框不准确、检测率低的问题,尤其是在检测目标较小、尺度变化大的情况下。针对以上问题,提出一种新的基于YOLOv4改进的目标检测算法。该算法采用改进的特征融合模块(path aggregation network combined with bi-directional feature pyramid network,P-Bifpn)代替PANet(path aggregation network),增加跨尺度连接的同时在输出端引入权重,增强重要特征的表现力,解决由多尺度变化而引起的精度下降。然后,采用新的全局注意力机制(global association network,GANet),在减少平均池化与计算量的同时增强Sigmoid函数输出,加强模型对目标上下文关系的学习,减少噪声干扰和全局信息的损失。试验采用RSOD、NWPU VHR-10数据集,平均检测精度分别提升了约5%和3%;泛化试验采用VOC2007+2012公共数据集,平均检测精度提升了约0.6%。试验结果表明改进的算法能够有效提高模型的检测能力。

关键词： YOLOv4 目标检测特征融合跨尺度多尺度变化全局注意力平均池化上下文信息

基于浅层特征调制的轻量级单幅图像超分辨率重建

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

控制与决策 2024年

作者：程德强王子强张皓翔寇旗旗钱建生江鹤中国矿业大学信息与控制工程学院中国矿业大学计算机科学与技术学院

浅层特征在超分辨率重建网络中扮演关键角色,其中蕴含丰富的图像细节,对准确估计深层特征具有明显参考价值.然而,研究者常常忽视浅层特征,过度依赖深层模块堆叠和拓扑结构优化,进而造成信息冗余.因此,本研究提出一种轻量级超分辨率重建... 详细信息

浅层特征在超分辨率重建网络中扮演关键角色,其中蕴含丰富的图像细节,对准确估计深层特征具有明显参考价值.然而,研究者常常忽视浅层特征,过度依赖深层模块堆叠和拓扑结构优化,进而造成信息冗余.因此,本研究提出一种轻量级超分辨率重建网络,旨在探索浅层特征与深层特征的映射机制,以提升重建质量.首先,通过利用浅层特征生成特征掩码,引导深层特征的生成过程;其次,采用基于注意力机制的特征选择模块,动态生成特征权重信息;最后,设计了双分支特征增强学习模块,平衡输出特征权重并增强特征融合能力,进一步提升重建性能.实验结果表明,所提出的算法在国际通用数据集上显著提升了峰值信噪比和结构相似度指标,同时具有较小的模型参数量和卓越的视觉表现.这些结果验证了本研究所提出的轻量级超分辨率重建网络的有效性和优越性.

关键词：超分辨浅层特征调制特征掩码动态注意力双分支轻量级

基于AKPCA算法的井下WLAN位置指纹定位

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

煤炭科学技术 2022年第3期50卷 248-256页

作者：宋明智钱建生胡青松徐州工程学院信息工程学院江苏徐州221018 中国矿业大学信息与控制工程学院江苏徐州221116

为改进井下WLAN人员定位系统中位置指纹数据库的特征提取及在线定位匹配性能,提出了自适应核主成分分析(Adaptive Kernel Principal Component Analysis,AKPCA)算法。AKPCA算法将最优AP选择算法与核主成分分析(Kernel Principal Compone... 详细信息

为改进井下WLAN人员定位系统中位置指纹数据库的特征提取及在线定位匹配性能,提出了自适应核主成分分析(Adaptive Kernel Principal Component Analysis,AKPCA)算法。AKPCA算法将最优AP选择算法与核主成分分析(Kernel Principal Component Analysis,KPCA)算法相结合,使本征维数的计算具有一定的子区域自适应性,有效改善了KPCA算法中使用最大似然估计法求解的本征维数对于区域划分后的位置指纹数据库过于单一的问题。最优AP选择因子能够根据区域中AP信号的覆盖状态在位置指纹数据库构建及区域划分后完成最优本征维数的确定。井下人员定位试验结果中,AKPCA算法在各子区域本征维数的计算精度上要优于KPCA算法,且在定位误差为4 m时的置信概率达到了近100%,高于KPCA算法的91.4%。而在定位过程的内存占用对比方面,AKPCA算法的平均内存使用为0.832 GB,要优于KPCA算法的1.278 GB和其他位置指纹匹配算法。综上,AKPCA算法不仅在定位精度上要优于其他特征提取算法,同时也能够有效减少定位系统在线定位过程中的资源消耗。在未来的研究中,将致力于进一步改善区域划分后的井下定位精度。

关键词：井下人员定位位置指纹特征提取最优AP选择

在线全文

学校读者我要写书评

暂无评论

基于随机遮挡和多粒度特征融合的行人重识别

北京航空航天大学学报 2023年第12期49卷 3511-3519页

作者：张楠程德强寇旗旗马浩辉钱建生中国矿业大学信息与控制工程学院徐州221116 中国矿业大学计算机科学与技术学院徐州221116

针对行人重识别中存在遮挡及行人判别特征层次单调的问题,在IBN-Net50-a网络的基础上,提出了一种结合随机遮挡和多粒度特征融合的网络模型。通过对输入图像进行随机遮挡处理,模拟行人被遮挡的真实情景,以增强应对遮挡的鲁棒性;将网络分... 详细信息

针对行人重识别中存在遮挡及行人判别特征层次单调的问题,在IBN-Net50-a网络的基础上,提出了一种结合随机遮挡和多粒度特征融合的网络模型。通过对输入图像进行随机遮挡处理,模拟行人被遮挡的真实情景,以增强应对遮挡的鲁棒性;将网络分为全局分支、局部粗粒度互融分支和局部细粒度互融分支,提取全局显著性特征,同时补充局部多粒度深层特征,丰富行人判别特征的层次性;进一步挖掘局部多粒度特征间的相关性进行深度融合;联合标签平滑交叉熵损失和三元组损失训练网络。在3个标准公共数据集和1个遮挡数据集上,将所提方法与先进的行人重识别方法进行比较,实验结果表明:在Market1501、DukeMTMC-reID、CUHK03标准公共数据集上,所提方法的Rank-1分别达到了95.2%、89.2%、80.1%,在遮挡数据集Occluded-Duke上,所提方法的Rank-1和mAP分别达到了60.6%和51.6%,均优于对比方法,证实了方法的有效性。

关键词：行人重识别全局特征随机遮挡局部特征融合联合损失

在线全文

学校读者我要写书评

暂无评论

基于层级特征融合的室内自监督单目深度估计

光学精密工程 2023年第20期31卷 2993-3009页

作者：程德强张华强寇旗旗吕晨钱建生中国矿业大学信息与控制工程学院江苏徐州221116 中国矿业大学计算机与科学技术学院江苏徐州221116

针对目前自监督单目深度估计网络在充斥着大量低纹理、低光照区域的室内复杂场景中存在预测深度信息不精确、物体边缘模糊以及细节丢失严重等问题,本文提出一种基于层级特征融合的室内自监督单目深度估计网络模型。首先,通过映射一致性... 详细信息

针对目前自监督单目深度估计网络在充斥着大量低纹理、低光照区域的室内复杂场景中存在预测深度信息不精确、物体边缘模糊以及细节丢失严重等问题,本文提出一种基于层级特征融合的室内自监督单目深度估计网络模型。首先,通过映射一致性图像增强模块来处理室内图像,提升低光照区域可见性并且保持亮度一致性,丰富纹理细节,一定程度上解决了训练网络时出现模糊假平面恶化模型的问题。然后,设计结合基于注意力机制的跨层级特征调整模块的深度估计网络,充分融合编码器以及编-解码器多层级特征信息,提升网络的特征利用能力,缩小预测深度与真实深度的语义差距。最后,设计基于图像风格特征的格拉姆矩阵相似性损失函数作为额外的自监督信号约束网络模型,提升网络预测深度的能力,进一步提高了预测深度的精度。在NYU Depth V2和ScanNet室内数据集上进行训练与测试,正确预测深度像素的比例能够分别达到81.9%和76.0%。实验结果表明,相比现有主要的室内自监督单目深度估计网络,本文网络模型很好地保持了物体边缘和细节信息,有效地提高了预测深度的精度。

关键词：自监督单目深度估计图像增强层级特征融合格拉姆矩阵

融合自适应加权模块的YOLOv4多尺度目标检测算法

在线全文

学校读者我要写书评

暂无评论

计算机辅助设计与图形学学报 2023年第11期35卷 1712-1719页

作者：聂帅杰程德强寇旗旗陈杰钱建生中国矿业大学信息与控制工程学院徐州221116 中国矿业大学计算机科学与技术学院徐州221116

针对残差块中特征图直接相加无法反映特征间相关性以及特征融合阶段存在信息损失的问题,提出一种融合自适应加权模块的目标检测算法.该算法对YOLOv4的主干网络和颈部网络进行改进,设计了一种自适应加权模块,对输入的2个特征图进行通道... 详细信息

针对残差块中特征图直接相加无法反映特征间相关性以及特征融合阶段存在信息损失的问题,提出一种融合自适应加权模块的目标检测算法.该算法对YOLOv4的主干网络和颈部网络进行改进,设计了一种自适应加权模块,对输入的2个特征图进行通道压缩并提取特征信息,从提取的信息中获取空间权重,最后将空间权重赋予输入特征图来建立其之间的相关性.在特征融合阶段增加跳跃连接,补充特征融合过程中的信息损失.实验结果表明,该算法能够有效地提高目标的精度,在PASCALVOC数据集与KITTI数据集上的精度较YOLOv4算法分别提高了0.90个百分点与0.89个百分点.

关键词：深度学习卷积神经网络目标检测特征融合 YOLOv4

基于YOLOv4改进特征融合及全局感知的目标检测算法

在线全文

学校读者我要写书评

暂无评论

智能系统学报 2023年

作者：程德强马尚寇旗旗张皓翔钱建生中国矿业大学计算机科学与技术学院中国矿业大学信息与控制工程学院

YOLOv4算法在检测速度和精度上达到了很好的平衡，但仍存在着定位框不准确、检测率低的问题，尤其是在检测目标较小、尺度变化大的情况下。针对以上问题，提出一种新的基于YOLOv4改进的目标检测算法。该算法采用改进的特征融合模块（P-b... 详细信息

YOLOv4算法在检测速度和精度上达到了很好的平衡，但仍存在着定位框不准确、检测率低的问题，尤其是在检测目标较小、尺度变化大的情况下。针对以上问题，提出一种新的基于YOLOv4改进的目标检测算法。该算法采用改进的特征融合模块（P-bifpn，PANet combined with bi-directional feature pyramid network）代替PANet（Path Aggregation Network），增加跨尺度连接的同时在输出端引入权重，增强重要特征的表现力，解决由多尺度变化而引起的精度下降。然后，采用新的全局注意力机制（GANet，Global Association Network），在减少平均池化与计算量的同时增强Sigmoid函数输出，加强模型对目标上下文关系的学习，减少噪声干扰和全局信息的损失。实验采用RSOD、NWPU VHR-10数据集，平均检测精度分别提升了约5%和3%；泛化实验采用VOC2007+2012公共数据集，平均检测精度提升了约0.6%。实验结果表明改进的算法能够有效提高模型的检测能力。

关键词： YOLOv4 目标检测特征融合跨尺度多尺度变化全局注意力平均池化上下文信息

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于坐标感知注意的多帧自监督单目深度估计

北京航空航天大学学报 2023年

作者：程德强范舒铭钱建生江鹤寇旗旗中国矿业大学计算机科学与技术学院中国矿业大学信息与控制工程学院

为解决单目深度估计方法中物体细节边缘深度预测模糊不清的问题，提出了一种基于坐标感知注意的多帧自监督单目深度估计方法。首先提出了一种坐标感知注意模块，以此增强编码器最下层输出特征，并加强成本体的特征利用；此外，提出了一... 详细信息

为解决单目深度估计方法中物体细节边缘深度预测模糊不清的问题，提出了一种基于坐标感知注意的多帧自监督单目深度估计方法。首先提出了一种坐标感知注意模块，以此增强编码器最下层输出特征，并加强成本体的特征利用；此外，提出了一种基于像素洗牌的新的深度预测解码器，该解码器可以有效分离低分辨编码器特征中的多物体融合特征，以细化深度预测结果中的物体边缘。在KITTI和Cityscapes数据集上的实验测试结果表明，该方法优于目前主流的方法，在物体边缘细节上拥有更好的深度预测性能。

关键词：图像处理深度估计自监督学习注意力机制

再论智能煤矿建设路线——基于人工智能3.0视角

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

煤炭科学技术 2022年第1期50卷 256-264页

作者：胡青松钱建生李世银孙彦景中国矿业大学地下空间智能控制教育部工程研究中心江苏徐州221116 中国矿业大学信息与控制工程学院江苏徐州221116 中国矿业大学徐州市智能安全与应急协同工程研究中心江苏徐州221116

合理的建设路线是煤矿智能化技术落地应用的重要保障。指出智能煤矿=煤矿智能化愿景+人工智能3.0特征,只有实现了人工智能基本要素,才能让传统煤矿企业发展出"智能";只有遵循煤矿企业发展规律、以煤炭行业高质量发展为愿景的人工智能,... 详细信息

合理的建设路线是煤矿智能化技术落地应用的重要保障。指出智能煤矿=煤矿智能化愿景+人工智能3.0特征,只有实现了人工智能基本要素,才能让传统煤矿企业发展出"智能";只有遵循煤矿企业发展规律、以煤炭行业高质量发展为愿景的人工智能,才能称为煤矿智能化。提出一套人工智能关键要素驱动的智能煤矿建设思路,它包括煤矿应用、计算能力、知识库、算法库和数据设施5大部分,简称ACKADa(Application,Computing,Knowledge,Alogorithm,Data)。应用平台包括一个大平台、若干小平台和N个子系统,数据设施包括感知网络、骨干网络、自动化改造与综合接入、大数据中心,计算能力包括边缘计算、云计算和部分大数据中心设施,算法库包括智能设备健康算法、智能采掘算法、智能定位导航算法、智能视频分析算法等,知识库包括周知型知识库和习得型知识库。相比其他建设方法,ACKADa思路的建设内容更加完整合理,且具有理论上更易理解、实践中更易使用的优势,并能将综合自动化、矿山物联网、大数据、云计算、边缘计算等技术统一在一个井然有序的逻辑体系。

关键词：智能煤矿人工智能矿山物联网云计算边缘计算端-边-云