检索结果-南通市图书馆

FFConvNeXt3D:提取中大规模目标特征的大卷积核网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

郑州大学学报(理学版) 2024年

作者：黄乾坤黄蔚凌兴宏苏州城市学院计算科学与人工智能学院苏州大学东吴学院计算机系吉林大学符号计算与知识工程教育部重点实验室苏州大学计算机科学与技术学院

目前大卷积核模型在图像领域已经证明其有效性,但是在视频领域还没有优秀的3D大卷积核模型。此外之前的工作中忽视了时空行为检测任务主体是人的特点,其中的骨干网络只针对通用目标提取特征。针对上述原因,提出了一种含有特征融合结构... 详细信息

目前大卷积核模型在图像领域已经证明其有效性,但是在视频领域还没有优秀的3D大卷积核模型。此外之前的工作中忽视了时空行为检测任务主体是人的特点,其中的骨干网络只针对通用目标提取特征。针对上述原因,提出了一种含有特征融合结构的3D大卷积核神经网络feature fusion ConvNeXt3D(FFConvNeXt3D)。首先,将成熟的ConvNeXt网络膨胀成用于视频领域的ConvNeXt3D网络,其中,预训练权重也进行处理用于膨胀后的网络。其次,研究了卷积核时间维度大小和位置对模型性能的影响。最后,提出了一个特征融合结构,着重提高骨干网络提取人物大小目标特征的能力。在UCF101-24数据集上进行了消融实验和对比实验,实验结果验证了特征融合结构的有效性,并且该模型性能优于其他方法。

关键词：大卷积核目标检测时空行为检测行为识别特征融合

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

改进YOLOv7的小目标检测算法研究

计算机工程与应用 2024年第1期60卷 122-134页

作者：李安达吴瑞明李旭东浙江科技学院浙江省食品物流装备技术研究重点实验室杭州310023

随着深度学习在国内目标检测的不断应用,常规的大、中目标检测已经取得惊人的进步,但由于卷积网络本身的局限性,针对小目标检测依然会出现漏检、误检的问题,以数据集Visdrone2019和数据集FloW-Img为例,对YOLOv7模型进行研究,在网络结构... 详细信息

随着深度学习在国内目标检测的不断应用,常规的大、中目标检测已经取得惊人的进步,但由于卷积网络本身的局限性,针对小目标检测依然会出现漏检、误检的问题,以数据集Visdrone2019和数据集FloW-Img为例,对YOLOv7模型进行研究,在网络结构上对骨干网的ELAN模块进行改进,将Focal NeXt block加入到ELAN模块的长短梯度路径中融合来强化输出小目标的特征质量和提高输出特征包含的上下文信息含量,在头部网络引入RepLKDeXt模块,该模块不仅可以取代SPPCSPC模块来简化模型整体结构还可以利用多通道、大卷积核和Cat操作来优化ELAN-H结构,最后引入SIOU损失函数取代CIOU函数以此提高该模型的鲁棒性。结果表明改进后的YOLOv7模型参数量减少计算复杂性降低并在小目标密度高的Visdrone 2019数据集上的检测性能近似不变,在小目标稀疏的FloW-Img数据集上涨幅9.05个百分点,进一步简化了模型并增加了模型的适用范围。

关键词： YOLOv7模型小目标检测大卷积核损失函数

在线全文

学校读者我要写书评

暂无评论

基于多尺度特征融合的雾天目标检测方法

激光杂志 2024年第6期45卷 106-113页

作者：孙锦尹明锋谢涛孟成贝绍轶江苏理工学院江苏常州213001

针对雾天场景下目标检测方法存在漏检、遮挡、准确率低等问题,提出一种基于多尺度特征融合的雾天目标检测算法YOLO-CL-CA。首先,在数据预处理阶段,利用AOD-Net模型对RTTS数据集进行去雾操作,提高图像的细节信息;其次,引入集中式特征金字... 详细信息

针对雾天场景下目标检测方法存在漏检、遮挡、准确率低等问题,提出一种基于多尺度特征融合的雾天目标检测算法YOLO-CL-CA。首先,在数据预处理阶段,利用AOD-Net模型对RTTS数据集进行去雾操作,提高图像的细节信息;其次,引入集中式特征金字塔CFPNet(Centralized Feature Pyramid)以深层特征调控浅层特征,捕获图像的关键局部区域,增强模型的图像特征利用能力;然后,在输出层前加入CA注意力机制(Coordinate Attention),提高模型捕获小目标特征能力;最后,结合大卷积核构造LKC3模块,改善因遮挡导致的漏检问题。实验结果表明:本算法的精确率和m AP0.5为90.6%和81.7%,比YOLOv5s算法分别提高了4.2%和1%,证明改进算法对雾天目标检测具有有效性和实用性。

关键词： YOLOv5s 特征金字塔注意力机制大卷积核

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

一种基于YOLOv8的轻量化盲区检测网络

现代电子技术 2024年第16期47卷 163-170页

作者：李问渠陈继清郝科崴李明宇广西大学机械工程学院广西南宁530007

近年来,全国的交通安全形势日益严峻,交通事故频繁发生,人员伤亡和财产损失惨重。其中,因视觉盲区受限引起的人车碰撞事故最为常见,由于传感器的高昂造价和在盲区检测方面的研究应用较少,预防此类事故主要依靠司机驾驶经验。针对盲区检... 详细信息

近年来,全国的交通安全形势日益严峻,交通事故频繁发生,人员伤亡和财产损失惨重。其中,因视觉盲区受限引起的人车碰撞事故最为常见,由于传感器的高昂造价和在盲区检测方面的研究应用较少,预防此类事故主要依靠司机驾驶经验。针对盲区检测和研究的不足,提出一种简洁高效的轻量化盲区检测网络BsDet和BsDet+。轻量化网络以最先进的YOLOv8为基础,结合其他YOLO网络的优点,在头部和颈部进行了轻量化重构,在特征提取部分使用改进的深度可分离卷积降低网络的参数量与计算量。在特定层使用更大的卷积核来扩大感受野,进一步提高网络的检测精度。在构建的盲区数据集进行实验,实验结果表明,BsDet拥有97.72%的mAP和300.76 f/s的FPS,BsDet+的mAP和FPS分别为99.35%和181.31 f/s,相比于SOTA方法,提高了36.8%的检测速度和1.44%的mAP。两种网络分别在树莓派、安卓手机和便携式计算机上进行部署与测试,结果显示在任何平台上,BSDet均拥有最高的检测速度。BsDet和BsDet+可适用于不同性能的硬件与检测需求,具有设备要求低、准确率高、速度快等特点,不仅为轻量化设计提供了借鉴,也能够有效改善基于视觉的辅助驾驶技术。

关键词：交通事故盲区检测轻量化网络 YOLOv8网络深度可分离卷积网络大卷积核

基于卷积神经网络的小样本高光谱图像分类方法研究

维普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

基于卷积神经网络的小样本高光谱图像分类方法研究

作者：李旭西安邮电大学

学位级别：硕士

高光谱图像是高光谱成像传感器在数百个光谱波段捕获的地物信息,与可见光图像不同的是,高光谱图像不仅具有空间信息,还包含大量的光谱信息。空间信息可以用来区分物体的大小、形状等外部特征,光谱信息可以区分物体化学、材料等特性。因... 详细信息

高光谱图像是高光谱成像传感器在数百个光谱波段捕获的地物信息,与可见光图像不同的是,高光谱图像不仅具有空间信息,还包含大量的光谱信息。空间信息可以用来区分物体的大小、形状等外部特征,光谱信息可以区分物体化学、材料等特性。因此高光谱图像被广泛应用于军事、矿业、农业等各行各业。高光谱图像分类是为高光谱图像中的每个像素分配类别,在高光谱图像分类任务中,大量的标注样本是高光谱图像分类结果的保证,而人工标注样本需要耗费大量的人力物力。因此,如何利用小样本实现高光谱图像分类任务是一个棘手的问题。针对这个问题,本文提出了基于结构重参数化动态卷积的小样本高光谱图像分类方法和基于全维动态卷积的小样本高光谱图像分类方法,并在公开的三个数据集中进行实验。本文具体的研究内容如下:(1)针对卷积神经网络中卷积核很难自适应学习输入数据的结构特征以及每层卷积核的大小单一而导致大卷积核丢失局部信息、小卷积核丢失全局信息的问题,提出了一种基于结构重参数化动态卷积的小样本高光谱图像分类方法。首先,在卷积层中使用多个具有不同动态权重的卷积核,并对这些卷积核进行非线性聚合,与普通静态卷积核相比其增强了特征表示能力;其次,将大卷积核和小卷积核集成为一个新的大卷积核,可以更好地提取细节特征和略大的全局特征。三个公共数据集的实验结果证明了本方法的有效性。(2)针对以往动态卷积未赋予卷积核空间大小、输入通道以及输出通道等关键维度动态属性的问题,提出了一种基于全维动态卷积的小样本高光谱图像分类方法。首先,在卷积核数量、空间大小、输入通道数量和输出通道数量四个维度赋予卷积核动态属性,这样可以大大增强卷积操作的特征提取能力,此外将卷积核维度扩展到三维,以更好的适应高光谱图像属性;其次,设计了一种循环层聚合的核尺寸金字塔模型,不同大小的卷积核可以提取不同空间大小的特征信息,循环层聚合机制不仅更充分地重用不同空间大小的特征信息,还降低了卷积层之间信息传递的冗余性;最后,三重注意力机制提供了一种新的注意力权重计算方法,使得模型可以更好地捕获跨纬度交互信息。三个公共数据集的实验结果证明了本方法的有效性。(3)根据第四章节提出来的小样本高光谱图像分类方法,设计了高光谱图像分类系统。该系统主要包括三个功能,分别是读取数据、数据预处理以及分类结果展示。整个系统的操作过程具体是启动项目、页面上传图片并点击post提交、后端接受图片、数据预处理、模型分析、返回模型的预测结果并进行可视化,可视化结果包括OA,AA和Kappa三个评价指标、真实标签图和分类结果图。

关键词：高光谱图像分类动态卷积注意力机制层聚合大卷积核

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力机制和图像轮廓的实例分割算法

电子科技 2024年第4期37卷 62-68页

作者：顾登华顾春华上海理工大学光电信息与计算机工程学院上海200093

基于图像轮廓的实例分割方法利用少量轮廓顶点来表示物体,减少了算法的参数量,提高了算法的运行效率,但导致算法的精度低于传统逐像素处理的分割算法,获得的分割结果质量较差。为提升算法的准确性,文中提出一种基于图像轮廓结合注意力... 详细信息

基于图像轮廓的实例分割方法利用少量轮廓顶点来表示物体,减少了算法的参数量,提高了算法的运行效率,但导致算法的精度低于传统逐像素处理的分割算法,获得的分割结果质量较差。为提升算法的准确性,文中提出一种基于图像轮廓结合注意力机制的实例分割模型(Attend the Contour snake,AC-snake)。在主干网络中加入改进的大卷积核(Largekernel+)提升模型的感受野,提取更加丰富的特征信息。改进轮廓顶点变形阶段的网络结构,结合双通道注意力模块(Dual Channel attention,DC-attentio)加强轮廓顶点的有效信息,减少训练网络中的无效参数,提升检测精度和训练速度。实验结果表明,在Cityscapes验证数据集中,相较于原始模型,文中提出的改进模型性能有所提升。

关键词：实例分割图像轮廓轮廓顶点逐像素注意力机制大卷积核感受野特征信息

同方期刊数据库

MalMKNet:一种用于恶意代码分类的多尺度卷积神经网络

在线全文

学校读者我要写书评

暂无评论

电子学报 2023年第5期51卷 1359-1369页

作者：张丹丹宋亚飞刘曙空军工程大学防空反导学院陕西西安710051

对未知恶意代码及其变种进行快速准确地识别,是对恶意攻击行为进行有效防范的前提和基础.但随着恶意代码变种的急剧增加,人工更新样本数据库的效率越来越差,仅仅依据延时的数据库信息,传统的识别方法难以有效捕获经过混淆方法操作的样... 详细信息

对未知恶意代码及其变种进行快速准确地识别,是对恶意攻击行为进行有效防范的前提和基础.但随着恶意代码变种的急剧增加,人工更新样本数据库的效率越来越差,仅仅依据延时的数据库信息,传统的识别方法难以有效捕获经过混淆方法操作的样本特征信息.针对上述问题,本文设计了一种基于灰度图像处理的深度学习模型MalMKNet(Multi-scale Kernel Network for Malware),建立了一种多尺度卷积核混合的卷积神经网络(Convolutional Neural Network,CNN)架构,以提高恶意代码识别能力.该模型运用具有捷径(shortcut)结构的深度大内核卷积和标准小内核卷积相结合的混合卷积核(Mixed Kernels,MK)模块,以提高模型准确率;在此基础上,通过多尺度内核融合(Multiscale Kernel Fusion,MKF),以降低模型参数量;再结合特征重组(feature shuffle)操作,实现优化特征通信,在不增加模型参数量的前提下提升了分类精度.实验结果表明,MalMKNet在恶意代码家族分类准确率方面优于其他基于深度学习的分类方法,准确率达到了99.35%.

关键词：恶意代码识别卷积神经网络深度学习图像处理大卷积核轻量化模型

在线全文

学校读者我要写书评

暂无评论

基于深度学习的路面缺陷检测研究

基于深度学习的路面缺陷检测研究

作者：左昊重庆三峡学院

学位级别：硕士

路面在频繁的使用过程中受到自然因素或人为因素的影响下,会逐渐产生各种程度的缺陷(例如裂缝、坑槽等),这些路面缺陷如果得不到及时修复,会影响到车辆行驶的平稳性和安全性,甚至可能导致交通事故的发生。通过使用路面缺陷检测技术,可... 详细信息

路面在频繁的使用过程中受到自然因素或人为因素的影响下,会逐渐产生各种程度的缺陷(例如裂缝、坑槽等),这些路面缺陷如果得不到及时修复,会影响到车辆行驶的平稳性和安全性,甚至可能导致交通事故的发生。通过使用路面缺陷检测技术,可以及时识别道路表面的缺陷,以便及时地采取相应的维修措施。传统的路面缺陷自动化检测技术由于检测速度慢或检测精度低等缺点无法对路面缺陷进行有效检测。随着近些年深度学习在计算机视觉领域的出色表现,基于深度学习的路面缺陷检测技术也得到了快速发展。但在路面缺陷检测任务中仍存在检测精度较低的问题,尤其是在复杂路面条件下:路面缺陷形态复杂,大小不一,在受到光照、雨雪等自然天气的影响下,使得检测难度增大。本文在分析了相关文献的基础上,对基于深度学习的路面缺陷检测算法进行了深入的研究,主要的研究内容如下:(1)为了提升YOLOv5在路面缺陷检测中的检测精度,首先,针对路面缺陷正负样本不平衡问题,对YOLOv5的正样本选择区域进行扩大,获取更多在网络训练过程中对梯度有所增益的正样本。其次,在YOLOv5中使用新的损失函数SIo U,减少了训练过程中预测框游走的可能性,在提升精度的同时对于网络在路面缺陷数据集中进行训练时,其收敛速度也有所提高。最后,为了进一步加强网络捕捉路面缺陷特征的能力,引入CBAM注意力机制,并增强CBAM注意力机制的空间信息捕捉能力,即使用3个串行的5?5卷积核来捕捉更多的路面缺陷特征信息,进一步提高了YOLOv5的检测精度。(2)针对路面缺陷检测中的裂缝检测效果不佳的问题,在研究工作(1)的基础上中使用更大的卷积核,更大的卷积核具有更大的感受野,能更好的捕捉裂缝的形状和边缘等细节特征。通过使用一种大卷积核结构,提高大卷积核的性能。首先在大卷积核使用结构重参数化,在保证模型检测速度的同时提高模型的检测精度。其次使用深度可分离卷积来减少大卷积核带来的网络参数的数量。此外,在自建的路面缺陷检测数据集上与其他算法进行了实验验证,本文所提出的路面缺陷检测模型在路面缺陷检测任务中有更好的鲁棒性。(3)通过对YOLOv5在路面缺陷检测中的研究,实现了一个路面缺陷检测系统的开发,系统主要实现在浏览器对路面缺陷进行检测和检测结果的存储。本文对YOLOv5进行了一系列研究,通过在RDD2020数据集上进行实验验证所提出的改进是有效的。最终,本文提出的模型相对于YOLOv5的m AP提高了3.2%,鲁棒性也相对较好。此外,在这一研究基础上实现了一个路面缺陷检测系统。

关键词：路面缺陷检测 YOLOv5 大卷积核 CBAM注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的服装分割算法研究

基于深度学习的服装分割算法研究

作者：朱成林浙江理工大学

学位级别：硕士

服装图像分割技术是预测输入图片中每一个像素的服装类别的方法,在服装智能应用中扮演着重要角色,是服装流行趋势预测、服装智能设计和三维虚拟试衣等技术的关键一环,因此,如何实现对服装图像的高精度分割已成为热门研究方向。基于深度... 详细信息

服装图像分割技术是预测输入图片中每一个像素的服装类别的方法,在服装智能应用中扮演着重要角色,是服装流行趋势预测、服装智能设计和三维虚拟试衣等技术的关键一环,因此,如何实现对服装图像的高精度分割已成为热门研究方向。基于深度学习的语义分割算法虽然相比于传统图像分割算法精度更高,但由于服装图像存在景别的多变性、服装类别的相似性和外形轮廓的复杂性,大多数语义分割算法并不能直接应用在服装图像分割上,得到的结果轮廓粗糙、类别混乱。针对上述问题,本文提出一个先进的服装图像语义分割模型,其主体框架采用编解码结构,以Res Net50为主干模型,实现对服装图像的高精度分割。不同景别下的服装尺寸多变,这对模型的适应性有很大要求,因此本文提出了混合空间金字塔池化模块MSPP。MSPP利用池化和空洞卷积获得不同尺度感受野的服装特征信息,同时设计能提取服装类别信息的激励分支,并将其与池化分支、空洞分支结合,生成携带类别信息的密集上下文信息,提升模型对大小不一服装的适应性,精确地识别服装类别。MSPP在卷积和池化的过程中不可避免地会损失细节信息,其中就包含服装的轮廓信息,导致模型对服装轮廓部分的分割精度下降。因此本文提出辅助全局特征提取分支AGE,它以拥有巨大感受野的大卷积核为主体,提取服装整体特征,弥补MSPP丢失的细节信息,提升模型对服装轮廓精准分割的能力,并缓解服装区域像素点类别混淆的问题。编解码结构的模型都是先逐阶段降低特征图分辨率再逐阶段恢复,导致含有服装形状特征的空间信息和含有类别特征的通道信息在不同阶段间不平衡,因此本文提出空间信息加强模块SIE和通道信息加强模块CIE。前者通过双层次提取空间信息帮助模型还原服装的形状特征,后者则通过挤压激发通道信息提升对服装类别识别的准确性。SIE和CIE促进不同阶段的信息在模型中流通,帮助模型平衡形状和类别信息不平衡的问题。模型最终在Deepfashion2数据集上训练与测试,对比实验表明,与CCNet、Deep Labv3+和PSPNet等先进模型相比,本文的模型取得了最高的m Io U和Boundary Io U,分别为74.55%和57.51%。最后,为了测试本文模型在实际应用中的可行性与实用性,将模型应用在服装三维重建上。先使用分割模型去除实拍服装照片的背景,再通过SIFT算法检测并匹配特征点,用SFM对特征稀疏重建,PVMS算法进行密集重建,最后利用泊松表面重建生成服装三维模型。与未去除背景的照片相比,采用经本文模型处理后的照片进行三维重建,可以得到更逼真的结果。

关键词：服装分割空间金字塔池化大卷积核信息加强服装三维重建