检索结果-南通市图书馆

空间信息感知语义分割模型的高分辨率遥感影像道路提取

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

遥感学报 2022年第9期26卷 1872-1885页

作者：吴强强王帅王彪吴艳兰安徽大学资源与环境工程学院合肥230601 武汉大学资源与环境科学学院武汉430079 安徽省地理信息智能技术工程研究中心合肥230601

道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造... 详细信息

道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。

关键词：深度学习遥感影像道路提取坐标卷积全局信息增强模块

基于特征双融合CenterNet的白细胞检测方法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2023年第8期43卷 2602-2610页

作者：刘欢吴亮红张侣陈亮周博文张红强湖南科技大学信息与电气工程学院湖南湘潭411201

针对实际检测过程中复杂场景下由白细胞的形态、染色程度差异较大而导致白细胞检测困难的问题,提出一种基于特征双融合CenterNet的白细胞检测方法TFF-CenterNet(Twice-Fusion-Feature CenterNet)。首先,通过特征金字塔网络(FPN)将主干... 详细信息

针对实际检测过程中复杂场景下由白细胞的形态、染色程度差异较大而导致白细胞检测困难的问题,提出一种基于特征双融合CenterNet的白细胞检测方法TFF-CenterNet(Twice-Fusion-Feature CenterNet)。首先,通过特征金字塔网络(FPN)将主干网络特征与反卷积层特征相融合,增强方法的特征提取能力,从而解决白细胞个体差异、染色程度不同等问题;然后,针对白细胞占据图像面积与图像背景面积严重不均衡的问题,改进热力图损失函数来提升对白细胞正样本的关注以提高检测平均精度均值(mAP);最后,针对白细胞图像目标微小、位置随机、细胞粘连的特点,引入坐标注意力和坐标卷积,提高对白细胞位置信息的关注度和敏感性。对于复杂场景下的白细胞,TFFCenterNet的mAP达到97.01%,比CenterNet高3.24个百分点;检测速度达到167 frame/s,比CenterNet快42 frame/s。实验结果表明,所提方法在复杂情况下能在提高白细胞检测mAP的同时达到实时性要求,并提升了鲁棒性,可为辅助医疗诊断中白细胞的快速自动检测提供技术支持。

关键词：白细胞检测 CenterNet 坐标注意力特征融合坐标卷积

基于融合坐标信息的改进YOLO V4模型识别奶牛面部

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2021年第15期37卷 129-135页

作者：杨蜀秦刘杨启航王振韩媛媛王勇胜蓝贤勇西北农林科技大学机械与电子工程学院杨凌712100 农业农村部农业物联网重点实验室杨凌712100 陕西省农业信息感知与智能服务重点实验室杨凌712100 西北农林科技大学动物医学院杨凌712100 西北农林科技大学动物科技学院杨凌712100

为实现奶牛个体的准确识别,基于YOLO V4目标检测网络,提出了一种融合坐标信息的奶牛面部识别模型。首先,采集71头奶牛面部图像数据集,并通过数据增强扩充提高模型的泛化性能。其次,在YOLO V4网络的特征提取层和检测头部分分别引入坐标... 详细信息

为实现奶牛个体的准确识别,基于YOLO V4目标检测网络,提出了一种融合坐标信息的奶牛面部识别模型。首先,采集71头奶牛面部图像数据集,并通过数据增强扩充提高模型的泛化性能。其次,在YOLO V4网络的特征提取层和检测头部分分别引入坐标注意力机制和包含坐标通道的坐标卷积模块,以增强模型对目标位置的敏感性,提高识别精度。试验结果表明,改进的YOLO V4模型能够有效提取奶牛个体面部特征,平均精度均值为93.68%,平均帧率为18帧/s,虽然检测速度低于无锚框的CenterNet,但平均精度均值提高了10.92%;与Faster R-CNN和SSD模型相比,在检测速度提高的同时,精度分别提高了1.51和16.32个百分点;与原始YOLO V4相比,mAP提高0.89%,同时检测速度基本不变。该研究为奶牛精准养殖中的牛脸图像识别提供了一种有效的技术支持。

关键词：图像识别动物奶牛面部 YOLO V4 注意力机制坐标卷积

在线全文

学校读者我要写书评

暂无评论

基于特征双融合中心网络的白细胞检测方法

计算机应用 2022年

作者：刘欢吴亮红张侣陈亮周博文张红强湖南科技大学信息与电气工程学院

针对实际检测过程中复杂场景下由白细胞的形态、染色程度差异较大而导致白细胞检测困难的问题，提出一种基于特征双融合中心网络的白细胞检测方法(TFF-CenterNet)。首先，通过特征金字塔将主干网络特征与反卷积层特征相融合，增强特征... 详细信息

针对实际检测过程中复杂场景下由白细胞的形态、染色程度差异较大而导致白细胞检测困难的问题，提出一种基于特征双融合中心网络的白细胞检测方法(TFF-CenterNet)。首先，通过特征金字塔将主干网络特征与反卷积层特征相融合，增强特征提取能力，解决白细胞个体差异、染色程度不同等问题；然后，针对白细胞占据图像面积与图像背景面积严重不均衡的问题，改进热力图损失函数提升对白细胞正样本的关注以提高检测平均精确度(mAP)；最后，针对白细胞图像目标微小、位置随机、细胞粘连的特点，引入坐标注意力和坐标卷积，提高对白细胞位置信息的关注度和敏感性。对于复杂场景下的白细胞，TFF-CenterNet的m AP达到97.01%，比CenterNet高3.24个百分点；检测速度达到167frame/s，比CenterNet快42frame/s。实验结果表明，所提方法在复杂情况下能够提高白细胞检测精度的同时达到实时性要求，提升了鲁棒性，可为辅助医疗诊断中白细胞的快速自动检测提供技术支持。

关键词：白细胞检测中心网络坐标注意力特征融合坐标卷积

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

结合注意力机制的带钢表面缺陷检测模型

钢铁研究学报 2024年第5期36卷 669-679页

作者：杨若兰刘超周佳润周同鑫邵宸郑利佳华北理工大学冶金与能源学院华北理工大学电气工程学院

带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰，导致检测模型的精度较差的问题，提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO (Enhance Defects Detection YOLO)。首先，构造了一个特殊... 详细信息

带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰，导致检测模型的精度较差的问题，提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO (Enhance Defects Detection YOLO)。首先，构造了一个特殊卷积EC Conv(Enhance Coord Conv),其使用额外的坐标通道更加清晰地感受待检测目标的空间位置信息；其次，将轻量级注意力机制EMA(Efficient Multi-Scale Attention)嵌入特征融合网络中，使得计算资源高效且合理分配，增强特征融合能力；然后，采用CARAFE(Content-Aware ReAssembly of Features Extraction)替代原融合网络的上采样模块；最后，在预测部分使用WIOU改进原损失函数，加速模型收敛。实验数据表明，该模型相较于YOLOv8n,检测精度提高3.6%,检测速度保持在166 fps,并且模型大小、空间复杂度与原模型基本持平，更好地满足了复杂工业场景下带钢缺陷的实时检测要求。

关键词：轻量级网络 YOLOv8n 注意力机制缺陷检测坐标卷积 CARAFE