检索结果-南通市图书馆

基于YOLOv5全局注意力和上下文增强的遥感图像目标检测方法

在线全文

学校读者我要写书评

暂无评论

西华师范大学学报（自然科学版） 2024年第3期45卷 321-326页

作者：杨新秀徐黎明冯正勇西华师范大学物理与天文学院四川南充637009 西华师范大学计算机学院四川南充637009 西华师范大学电子信息工程学院四川南充637009

针对遥感图像目标密集排列,提出一种基于YOLOv5的全局注意力和上下文增强的遥感图像目标检测算法。首先,在主干网络CSPDarknet53的尾部将C3模块替换为Transformer Encoder模块,利用全局注意力捕获目标和周围环境信息;再引入上下文增强模... 详细信息

针对遥感图像目标密集排列,提出一种基于YOLOv5的全局注意力和上下文增强的遥感图像目标检测算法。首先,在主干网络CSPDarknet53的尾部将C3模块替换为Transformer Encoder模块,利用全局注意力捕获目标和周围环境信息;再引入上下文增强模块,利用不同的分支结构获得侧重于大、中、小目标的特征信息;后处理中将NMS替换为DIoU_NMS,有效去除密集排列目标的冗余框,改善检测效果。在RSOD数据集对网络进行测试,与原网络相比,精度提升了13.9%,在飞机数据集进行了消融试验,验证了模块的有效性。

关键词：遥感目标检测 YOLOv5算法上下文增强 Transformer模块

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于上下文增强和特征提纯的小目标检测网络

计算机研究与发展 2023年第2期60卷 465-474页

作者：肖进胜赵陶周剑乐秋平杨力衡武汉大学电子信息学院武汉430072 测绘遥感信息工程国家重点实验室(武汉大学) 武汉430079

微小目标的纹理模糊、包含特征少,是目标检测领域的难点.针对小目标检测提出一种新的上下文增强模块(context augmentation module,CAM)和特征提纯模块(feature refinement module,FRM)相结合的特征金字塔复合结构.利用多尺度空洞卷积... 详细信息

微小目标的纹理模糊、包含特征少,是目标检测领域的难点.针对小目标检测提出一种新的上下文增强模块(context augmentation module,CAM)和特征提纯模块(feature refinement module,FRM)相结合的特征金字塔复合结构.利用多尺度空洞卷积的特征融合,补充网络中的上下文信息;引入通道和空间的特征提纯机制来抑制多尺度特征融合后的冲突信息,防止小目标淹没在冲突信息中;同时,引入复制—缩小—粘贴(copy-reduce-paste)的数据增强方法提高小目标的占比,使训练时小目标对损失值的贡献更大,训练更加平衡.由实验结果可知,所提出的算法在VOC数据集上目标检测的平均精度均值(Mean Average Precision,mAP)达到了83.6%(交并比为0.5);对小目标检测的AP值达到了16.9%(交并比为0.5~0.95),比YOLOV4,CenterNet,RefineDet的分别提高3.9%,7.7%和5.3%.在TinyPerson数据集上小目标检测的AP值为55.1%,比YOLOV5,DSFD的分别提高0.8%和3.5%.

关键词：小目标检测上下文增强特征提纯空洞卷积数据增强

在线全文

学校读者我要写书评

暂无评论

基于空间级解耦和上下文增强的行人搜索方法

天津大学学报:自然科学与工程技术版 2023年第12期56卷 1307-1316页

作者：庞彦伟王佳蓓天津大学电气自动化与信息工程学院天津300072 天津市类脑智能技术重点实验室天津300072

行人搜索是一个同时处理行人检测与行人重识别的联合任务.然而,行人检测与行人重识别之间存在任务冲突:行人检测旨在区分人与背景区域,关注行人的共性;行人重识别旨在辨别不同人,关注行人的特性.针对此任务冲突,与以往堆叠多个卷积层的... 详细信息

行人搜索是一个同时处理行人检测与行人重识别的联合任务.然而,行人检测与行人重识别之间存在任务冲突:行人检测旨在区分人与背景区域,关注行人的共性;行人重识别旨在辨别不同人,关注行人的特性.针对此任务冲突,与以往堆叠多个卷积层的深度级解耦方式不同,基于空间分离的思想,提出了一种简单高效的空间级解耦策略.该策略为两个任务设计不同的可形变卷积,自适应地在不同位置上分别提取行人检测特征与行人重识别特征,实现了行人共性与特性的分离.进一步,为了利用丰富的上下文信息帮助更好地辨别不同的行人,提出了一种上下文增强特征提取模块.该模块使用全局感知的多头注意力网络生成信息互补的多级特征,然后利用所设计的基于自注意力机制的多级特征融合模块,融合得到上下文增强特征.在该上下文增强特征的基础上,应用上述空间级解耦策略对其不同空间位置进行采样,解耦行人检测和行人重识别两个任务.实验结果表明,所提方法在CUHK-SYSU测试集上mAP和top-1准确率分别达到了94.2%和94.6%,在PRW测试集上mAP和top-1准确率分别达到了52.6%和87.6%,能够有效地提升行人搜索任务性能.

关键词：行人搜索行人检测行人重识别形变卷积上下文增强

基于上下文增强和门控融合的遥感影像地物分类研究

在线全文

学校读者我要写书评

暂无评论

基于上下文增强和门控融合的遥感影像地物分类研究

作者：周鹏湖南大学

学位级别：硕士

遥感影像地物分类是指对遥感影像中的每个像元进行识别分类并标注为对应的目标类别。该技术被广泛应用于土地利用制图、城市规划和灾害应急响应等领域,因此准确且快速的进行地物分类具有重要的研究价值和意义。随着对地观测技术的进步,... 详细信息

遥感影像地物分类是指对遥感影像中的每个像元进行识别分类并标注为对应的目标类别。该技术被广泛应用于土地利用制图、城市规划和灾害应急响应等领域,因此准确且快速的进行地物分类具有重要的研究价值和意义。随着对地观测技术的进步,遥感影像的分辨率越来越高、数据量显著增大,而传统的地物分类方法特征表示能力有限在面对海量的高分辨率影像时已无法满足现实应用中精度需求。近年来,深度学习在计算机视觉领域取得了突破性进展,能从大量的数据中学习到鲁棒的特征表征,成为当今高分辨率遥感影像地物分类的研究主流。本文基于深度学习语义分割相关理论基础知识,结合光学遥感影像特征,提出了两种针对光学高分辨遥感影像的地物分类算法,并以此为基础开发了地物分类辅助软件。本文研究内容组织如下:1)针对高分辨率遥感影像复杂场景易导致大尺度物体碎片化的预测、小尺度物体丢失的问题,本文提出了一种基于上下文增强的文本表征增强网络(CRENet)用于遥感影像地物分类。该方法定义了一种基于超像素块间关系的超像素亲和力损失,通过在训练过程中监督网络捕获正确且符合类别关系的全局上下文来强化大尺度物体的一致性预测。此外,针对遥感影像中大量小尺度的目标,提出了本地特征对齐增强模块。首先使用多层不同比率的空洞可变形卷积组成文本对比块来增强浅层特征,并运用可变形卷积将浅层特征层与深层特征层对齐,随后将对齐后的特征层融合来提升网络的小目标检测能力。实验结果表明,该方法显著地提升了遥感影像中不同尺度物体的分割精度,能有效解决分类中小尺度物体丢失的问题。2)针对现有的深度学习方法计算复杂度大、占用内存高的问题,提出了一种基于Res Net18即插即用的轻量化门控融合网络(对齐门控网络AGNet),用于遥感影像地物分类。该方法基于编码解码架构,其轻量化特征对齐模块通过可变形卷积学习不同层的特征图之间的语义差异,并使用深层特征引导浅层特征对齐以消除语义鸿沟。考虑到轻量化骨架网络特征提取能力有限,设计了门控特征选择模块,通过门控机制有选择地融合来自不同层的对齐特征图,以增强有价值的信息,抑制无用的噪声信息。实验结果证明了AGNet的有效性和轻量性,该方法在硬件条件受限的情况下可快速、高效的对大尺寸高分辨率遥感影像进行地物分类。3)针对高分辨率遥感影像地物分类的应用需求,开发了一个高分辨率遥感影像地物分类辅助软件。该软件包括一个统计分析工具箱并集成了上述提出的两种分类算法。

关键词：光学遥感影像地物分类上下文增强门控融合卷积神经网络

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于上下文增强LSTM的多模态情感分析

计算机科学 2019年第11期46卷 181-185页

作者：刘启元张栋吴良庆李寿山苏州大学计算机科学与技术学院

近年来,多模态情感分析成为了越来越受欢迎的热门领域,它将传统的基于文本的情感分析扩展到文本、图像以及声音相结合的多模态分析层面。多模态情感分析通常需要获取单模态内部的信息以及多模态之间的交互信息。为了利用每个模态中语言... 详细信息

近年来,多模态情感分析成为了越来越受欢迎的热门领域,它将传统的基于文本的情感分析扩展到文本、图像以及声音相结合的多模态分析层面。多模态情感分析通常需要获取单模态内部的信息以及多模态之间的交互信息。为了利用每个模态中语言表达的上下文来帮助获取这两种信息,文中提出了一种基于上下文增强LSTM的多模态情感分析方法。具体而言,首先对于多模态的每种表达,结合上下文特征,分别使用LSTM进行编码,再分别捕捉单模态内部的信息;接着融合这些单模态的独立信息,再使用LSTM获得多模态间的交互信息,从而形成多模态特征表示;最后采用最大池化策略,对多模态表示进行降维,从而构建情感分类器。该方法在MOSI数据集上的ACC值达到75.3%,F1达到了74.9。相比传统的机器学习方法(如SVM),所提方法的ACC值高出8.1%,F 1值高出7.3。相比目前较为先进的深度学习方法值,所提方法在ACC值上高出0.9%,F1值上高出1.3,与此同时可训练参数量只有之前方法的1/20,训练速度提高了约10倍。大量的对比实验结果表明,相比传统的多模态情感分类方法,所提方法的性能有显著提升。

关键词：多模态情感分析上下文增强

融合可切换空洞卷积的上下文信息增强船舶目标检测算法

在线全文

学校读者我要写书评

暂无评论

大连海事大学学报 2023年第4期49卷 116-125页

作者：丘锐聪周海峰陈颖张兴杰黄金满翁卫征集美大学轮机工程学院福建厦门361021 集美大学福建省船舶与海洋工程重点实验室福建厦门361021 集美大学航海学院福建厦门361021 厦门安麦信自动化科技有限公司福建厦门361000 厦门三丰鑫科技有限公司福建厦门361001

针对内河环境下小型船舶目标检测精度较低,以及船舶目标检测易受近岸复杂背景信息影响的问题,基于YOLOv5s做出改进,提出SACAM-YOLOv5船舶目标检测算法。首先,引入上下文增强模块,利用空洞卷积特性,获取上下文信息,加强模型对小型船舶目... 详细信息

针对内河环境下小型船舶目标检测精度较低,以及船舶目标检测易受近岸复杂背景信息影响的问题,基于YOLOv5s做出改进,提出SACAM-YOLOv5船舶目标检测算法。首先,引入上下文增强模块,利用空洞卷积特性,获取上下文信息,加强模型对小型船舶目标检测能力;其次,利用可切换空洞卷积特性,设计C3_SAC模块用于取代原主干网络中特定位置的C3模块,通过扩大主干网络提取特征图感受野,增强特征图所含信息,减少复杂背景的影响,从而提升网络特征提取能力;最后,改进损失函数,引入NWD且与CIoU_Loss共同作为新的边界框损失计算函数,降低小目标检测中位置偏差的影响,提升小型船舶目标检测性能。使用Seaships船舶数据集对上述改进方法进行验证,结果表明,本文SACAM-YOLOv5算法相较基准模型,在精度、召回率和mAP@0.5上分别提升2.2%、2.0%和2.7%,分别达到98.6%、98.1%和99.5%,满足船舶目标检测性能要求,具有一定的工程实际意义。

关键词：船舶目标检测算法 YOLOv5s 上下文增强空洞卷积改进损失函数

基于改进YOLO v5算法的道路小目标检测

在线全文

学校读者我要写书评

暂无评论

系统工程与电子技术 2024年

作者：宋存利柴伟琴张雪松大连交通大学软件学院

为解决交通道路小目标检测难度大、精度低，容易出现错检漏检的问题，提出一种基于YOLO v5算法的多尺度特征融合目标检测改进算法。首先增加小目标检测头用于适应小目标尺寸，缓解漏检情况；然后引入可变形卷积提高模型对运动中小目标... 详细信息

为解决交通道路小目标检测难度大、精度低，容易出现错检漏检的问题，提出一种基于YOLO v5算法的多尺度特征融合目标检测改进算法。首先增加小目标检测头用于适应小目标尺寸，缓解漏检情况；然后引入可变形卷积提高模型对运动中小目标的学习能力；并增加上下文增强模块提升对远距离小目标识别能力；在替换损失函数提高边界框定位精度的同时使用空间金字塔池化和上下文空间金字塔卷积分组模块，提高网络的感受野和特征表达能力。通过实验表明，改进的算法在KITTI数据集小目标类别上平均精度达到了95.2%，相较于原始YOLO v5算法总体平均精度提升了2.7%，对于小目标的检测效果更佳平均精度提升了3.1%，证明了改进算法在道路小目标检测的有效性。

关键词： YOLO v5 小目标检测上下文增强可变形卷积

基于多任务学习与上下文信息的遥感图像语义分割

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多任务学习与上下文信息的遥感图像语义分割

作者：聂世超西安电子科技大学

学位级别：硕士

随着遥感技术的飞速发展,目前可获得的遥感数据越来越丰富,针对遥感数据的场景理解也越发引起关注。语义分割任务作为遥感数据场景理解中的重要任务,有着极其广泛的应用。虽然基于深度学习的方法已在遥感图像分割领域取得了优异的效果,... 详细信息

随着遥感技术的飞速发展,目前可获得的遥感数据越来越丰富,针对遥感数据的场景理解也越发引起关注。语义分割任务作为遥感数据场景理解中的重要任务,有着极其广泛的应用。虽然基于深度学习的方法已在遥感图像分割领域取得了优异的效果,但还存在资源消耗大、边缘分割困难、上下文处理方法仍需优化等问题。针对这些问题,本文结合多任务学习、注意力机制及类别上下文增强思想对遥感图像语义分割展开研究。本文主要研究内容如下:1.提出了一种基于图像超分辨与特征增强的多任务遥感图像语义分割方法。目前主流算法通常面临资源消耗较大的问题。本文从输入端考虑,对低分辨率输入下的语义分割效果进行优化,为解决该问题提供另一种思路。该方法结合多任务学习思想,令同一网络框架下同时包含语义分割和超分辨两个任务分支。超分辨任务作为辅助任务,通过学习图像的高分辨表示来获得额外的细节信息。进而通过特征增强模块学习两个任务特征间的相似性关系进行任务间交互,实现对语义分割任务的辅助。经过实验,所提出方法在三个数据集上均优于各基线网络,验证了该方法的有效性。2.提出了一种基于边缘检测与双注意力的多任务遥感图像语义分割方法。语义分割领域长期存在着边缘部分预测困难的问题。考虑到语义分割与边缘检测耦合性较高,且两个任务间可以有效地相互促进。本文结合多任务学习思想,在语义分割网络框架下引入边缘检测任务。该网络针对边缘检测任务要求精细化结果的特性,引入了双注意力模块对低级别特征进行额外处理,同时使用可学习上采样模块实现更精细的图像上采样。并设计了一种边缘优化模块,对分支间的一致性关系进行学习,从而实现任务间交互。经过实验,所提出方法在三个数据集上均优于各基线网络,验证了该方法的有效性。3.提出了一种基于上下文增强与多任务优化的遥感图像语义分割方法。主要针对上下文处理方法及多任务学习框架再优化问题进行设计。为实现更有效的上下文处理,通过监督学习初步得到特征信息的类别区域表示,并使用特征间的关联关系进行特征增强,实现适应目标区域范围的上下文信息处理。为进一步发挥多任务学习的优势,设计了一种更直接的跨任务交互方法,令边缘特征作为掩膜直接对语义分割特征进行增强。针对多任务学习框架训练过程中的权重适应问题,设计了一种自调节多任务权重方法,协调训练过程中不同任务之间的关系。经过实验,所提出方法在三个数据集上均优于各基线网络,验证了该方法的有效性。

关键词：遥感图像分割多任务学习注意力机制上下文增强

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多区域上下文信息指导的目标检测研究

基于多区域上下文信息指导的目标检测研究

作者：王亚楠内蒙古大学

学位级别：硕士

近年来,随着深度学习的浪潮兴起,相关研究进展十分迅速。尤其是卷积神经网络的发展,使目标检测任务取得了很大的进步。然而,目前的方法有两点限制:第一,大多数目标检测器应用正方形核进行卷积及池化,无法得到图像级别相距较远像素之间... 详细信息

近年来,随着深度学习的浪潮兴起,相关研究进展十分迅速。尤其是卷积神经网络的发展,使目标检测任务取得了很大的进步。然而,目前的方法有两点限制:第一,大多数目标检测器应用正方形核进行卷积及池化,无法得到图像级别相距较远像素之间的关系,模型长距离依赖关系受限,检测长窄物体的能力差。第二,在多尺度目标检测中,目前的模型收集到的上下文信息有限,得到的结果精确度不够高。为解决以上问题,本文提出了多级矩形池化方法和级联上下文增强方法,通过收集不同区域的上下文信息加强特征,有助于后续的分类及回归任务。具体研究内容如下:本文提出了多级矩形池化方法:多级矩形池化单元利用多个矩形池化核进行池化操作,捕获图像级别的像素之间的依赖关系。与常规池化操作不同,矩形池化从不同的矩形区域收集上下文信息,以实现对尺度变化对象的鲁棒检测。本文还提出了上下文增强方法:级联上下文增强模块包含多个可变形卷积单元,能够有效地从不同尺度的多个区域内捕获局部上下文信息,实现多尺度目标检测。将多级矩形池化单元和级联上下文增强模块相结合,能够集成到不同的网络结构中提升性能。在MS COCO数据集上,将本文的模型融合到基于锚框Retina Net网络中,获得了1.9%的提升;将本文的模型融合到无锚框FCOS网络中,获得了2.1%的提升;在Pascal VOC数据集上,将本文的模型融合到Scale-aware Auto Aug网络中,获得了2.2%的提升。实验结果表明,本文提出的模块嵌入到不同的网络中均能提升检测结果,证明了模块的有效性和泛化性。

关键词：目标检测矩形池化多尺度上下文上下文增强