检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

融合大核注意力机制的土壤种类识别网络

重庆师范大学学报（自然科学版） 2023年第3期40卷 129-138页

作者：刘康曾绍华胡静刘国一李超重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331 重庆市农村土地整治中心重庆401121 西藏自治区农牧科学院农业资源与环境研究所拉萨850032 重庆市铜梁区农业农村委员会重庆铜梁402560

【目的】为解决因土壤图像纹理复杂、没有结构性特征导致的传统卷积神经网络模型难以提取其中关键性特征、识别准确率低的问题,提出了一种大核注意力(large kernel attention,LKA)机制模块与ResNet模型融合的土壤种类识别网络模型VAR(vi... 详细信息

【目的】为解决因土壤图像纹理复杂、没有结构性特征导致的传统卷积神经网络模型难以提取其中关键性特征、识别准确率低的问题,提出了一种大核注意力(large kernel attention,LKA)机制模块与ResNet模型融合的土壤种类识别网络模型VAR(visual attention ResNet),以解决土壤种类样本不平衡和难分类样本造成的模型泛化能力弱的问题。【方法】以ResNet为主干网络,在主干中引入LKA机制,减少其中的残差块,构建土壤种类识别网络VAR,并改进网络的焦点损失函数(Focal Loss)。【结果】(1)与传统模型ResNet18、ResNet34、VGG、GooleNet、VAN等相比,VAR模型在特定模型参数下对紫色土土壤图像数据集中土壤种类的识别精度更高;(2)用3种不同大小VAR模型之一的VAR_small与以ResNet18为主干并嵌入传统注意力机制SE、CBAM、ECA和SK的网络进行对比,实验结果显示LKA机制在土壤识别方面更加优秀;(3)改进的Focal Loss可让VAR更能注意到难分类的土壤图像样本。【结论】将LKA机制模块与ResNet模型融合的土壤种类识别网络模型VAR增强了网络提取土壤图像中关键性结构特征能力,同时还减少了网络参数,能更加有效地识别土壤种类。

关键词：土壤种类识别 VAR 大核注意力焦点损失函数

基于改进YOLOv5s的玻璃盖板划伤检测算法

在线全文

学校读者我要写书评

暂无评论

组合机床与自动化加工技术 2024年第4期 62-65,71页

作者：李虎胡晓兵陈海军毛业兵章程军李航四川大学机械工程学院成都610065 四川大学宜宾产业技术研究院宜宾644000

针对当前玻璃盖板检测速度较慢、精确率较低的问题,提出一种基于YOLOv5s算法的玻璃盖板划伤检测改进模型。首先,借鉴ResNeXt结构和大核注意力(largekernelattention,LKA)结构改进原C3模块,增强网络对于特征的检测和提取能力;其次,向网... 详细信息

针对当前玻璃盖板检测速度较慢、精确率较低的问题,提出一种基于YOLOv5s算法的玻璃盖板划伤检测改进模型。首先,借鉴ResNeXt结构和大核注意力(largekernelattention,LKA)结构改进原C3模块,增强网络对于特征的检测和提取能力;其次,向网络中引入BiFPN模块,提高网络的特征融合能力和小目标检测能力;最后,使用EIOU损失函数替换原网络中的CIOU损失函数,提高锚框生成的准确性和模型收敛速度。结果表明,改进后模型,精确率达到98.2%,召回率达到98.4%,实现玻璃盖板划伤的高效检测。

关键词：划伤检测 YOLOv5s ResNeXt 大核注意力智能制造

基于自适应注意力融合特征提取网络的图像超分辨率

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2023年第11期40卷 3472-3477,3508页

作者：王拓然程娜丁士佳王洪玉大连理工大学信息与通信工程学院辽宁大连116024

为了应对当前大型图像超分辨率模型参数过多难以部署,以及现有的轻量级图像超分辨率模型性能表现不佳的问题,提出了一种基于自适应注意力融合特征提取网络的图像超分辨率模型。该模型主要由一个大核注意力模块和多个高效注意力融合特征... 详细信息

为了应对当前大型图像超分辨率模型参数过多难以部署,以及现有的轻量级图像超分辨率模型性能表现不佳的问题,提出了一种基于自适应注意力融合特征提取网络的图像超分辨率模型。该模型主要由一个大核注意力模块和多个高效注意力融合特征提取模块组成。首先,利用大核注意力模块进行浅层特征提取,然后将提取到的浅层特征信息输入级联的高效注意力融合特征提取模块进行深层特征提取、增强、细化和再分配的聚合操作。高效注意力融合特征提取模块由三个部分组成,分别是渐进式残差特征提取模块、通道对比度感知注意力模块和通道—空间联合注意力模块。该网络可以在利用少量参数的情况下实现更好的图像超分辨率性能,是一种表现优异的轻量级图像超分辨率模型。通过在流行的基准数据集上评估提出的方法,并与现有的一些方法进行对比,结果表明该方法的表现更优异。

关键词：图像超分辨率轻量化模型大核注意力注意力融合特征提取

空谱域适应与XGBoost结合的跨场景高光谱图像分类

在线全文

学校读者我要写书评

暂无评论

光学精密工程 2023年第13期31卷 1950-1961页

作者：王爱丽丁姗姗刘和吴海滨岩堀祐之哈尔滨理工大学测控技术与通信工程学院黑龙江省激光光谱技术及应用重点实验室黑龙江哈尔滨150080 国网黑龙江省电力有限公司综合信息中心黑龙江哈尔滨150010 中部大学计算机科学学院日本爱知487-8501

针对跨场景高光谱遥感图像分类中源域和目标域的频谱偏移问题,提出一种结合空谱域适应与极度梯度提升树(eXtreme Gradient Boosting, XGBoost)的跨场景高光谱图像分类模型。将深度超参数卷积模型(Depthwise Over-parameterized Convolut... 详细信息

针对跨场景高光谱遥感图像分类中源域和目标域的频谱偏移问题,提出一种结合空谱域适应与极度梯度提升树(eXtreme Gradient Boosting, XGBoost)的跨场景高光谱图像分类模型。将深度超参数卷积模型(Depthwise Over-parameterized Convolution Model,DOCM)和大核注意力(Large Kernel Attention,LKA)结合,构成空谱注意力模型,提取源域空谱特征。利用相同的空谱注意力模型对目标域进行特征提取,并与鉴别器完成对抗域适应,减少源域与目标域之间的频谱偏移;通过目标域中少量有标签数据对目标域特征提取器进行有监督域适应,使目标域特征提取器进一步学习目标域的真实分布,并对源域和目标域的特征进行映射,形成相似的空间分布,完成聚类域适应。最后,使用集成分类器XGBoost进行高光谱图像分类,进一步提高模型的训练速度与置信度。在Pavia和Indiana高光谱数据集上的实验结果表明,本文算法的总体分类精度分别达到了91.62%和65.98%。相比较于其他跨场景高光谱图像分类模型,本文所提模型具有更高的地物分类精度。

关键词：高光谱图像域适应大核注意力 XGBoost

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

基于注意力机制的小脑膜瘤图像分割方法研究

基于注意力机制的小脑膜瘤图像分割方法研究

作者：谭硕四川大学

学位级别：硕士

脑膜瘤是神经外科领域最常见的偶发性肿瘤。小脑膜瘤是其子集,随着神经影像技术的进步和神经系统检查频率的增加,小脑膜瘤被发现的频率越来越高。伽玛刀手术(Gamma Knife Surgery,GKS)是治疗小脑膜瘤的常见手段,但是其顺利进行非常依赖... 详细信息

脑膜瘤是神经外科领域最常见的偶发性肿瘤。小脑膜瘤是其子集,随着神经影像技术的进步和神经系统检查频率的增加,小脑膜瘤被发现的频率越来越高。伽玛刀手术(Gamma Knife Surgery,GKS)是治疗小脑膜瘤的常见手段,但是其顺利进行非常依赖于精确的靶区勾画。而手工进行靶区勾画费时费力,效率低,可重复性差,且需要专业的医师。利用人工智能技术,可以在很短时间内自动预测出一个具有很高准确率的分割结果。届时,医生只需要对分割结果进行微调或者审核,便可得到一个精确的病灶区域勾画结果,这对于迅速诊治小脑膜瘤具有巨大帮助。然而,由于不同器官间存在巨大差异,医学图像种类千差万别,不同厂商生产的不同型号的仪器间存在差异,以及目前尚未存在公开的小脑膜瘤数据集,所以目前关于小脑膜瘤的分割研究尚未有很大进展。本文基于四川大学华西医院神经外科收集标注的小脑膜瘤数据集,展开了深入的研究。在研究过程中发现,小脑膜瘤可能生长在脑区内的各个位置,且不同患者的小脑膜瘤形状、大小等特征存在不小差异,以及普遍的小脑膜瘤只存在整个头部的核磁共振图像(Magnetic Resonance Imaging,MRI)中很小的一块区域。这些原因导致了小脑膜瘤医学图像分割任务面临着定位不够准确、分割精度不足的问题。针对这些问题,本文在传统的深度卷积神经网络分割模型基础之上,引入了可以辅助神经网络模型捕获重要特征及位置信息的注意力机制,提出了基于与周围特征差异的特征级注意力模块和基于大核注意力机制的小脑膜瘤图像分割方法,有效地提高了卷积神经网络关注每个重要特征的能力,同时缓解了小脑膜瘤图像分割任务中定位不准确和分割精度不足的问题。本文的主要工作包括:(1)提出了一种基于与周围特征差异的特征级注意力模块。通过模仿神经科学中的周围抑制现象,提出了一个能够计算每个特征重要性的特征级注意力模块。具体来说,该模块包含两个子模块:Minus-Square-Add(MSA)运算模块和一组可学习的非线性映射函数。MSA模块定义了一个能量函数,用于衡量每个特征的重要性。一组非线性映射函数用于将MSA模块计算得到的能量细化为更合理的值。结合这两个子模块,可以很好地捕捉到特征级注意力。同时,由于两个子模块的结构简单,参数量很小,因此,所提出的模块可以轻松地集成到几乎所有卷积神经网络中。本文在多个常用公开数据集上设置了多组实验,证实了所提出方法的有效性。(2)提出了一种基于大核注意力机制的小脑膜瘤图像分割方法。为解决小脑膜瘤图像分割任务中存在的定位不够准确、分割精度不足的问题,本文引入了大核注意力模块,去除了原始模块中只能捕获与周围跳跃区域内数个特征相关性的空洞卷积,同时添加了本文中提出的可以捕获到与长距离其他所有特征关系的特征级注意力模块,并将全新的大核注意力模块扩展到了3D上。然后与nn UNet结合,构成了本文提出的基于大核注意力机制的小脑膜瘤图像分割方法。本文在四川大学华西医院神经外科收集标注的小脑膜瘤图像数据集上验证了所提出方法的有效性。(3)构建了一个小脑膜瘤图像分割系统。为了方便医生获得小脑膜瘤区域并观察分割结果,以及考虑到系统的可扩展性和高可用性,本文基于常用开发技术栈,结合所提出的基于大核注意力机制的小脑膜瘤图像分割方法,搭建了一个接口间相互分离独立,且均为幂等操作的,高可扩展、高可用的小脑膜瘤分割系统。

关键词：深度卷积神经网络医学图像分割周围抑制现象特征级注意力大核注意力

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

改进YOLOX-S模型的施工场景目标检测

计算机科学与探索 2023年第5期17卷 1089-1101页

作者：胡皓郭放刘钊中国人民公安大学信息网络安全学院北京100038 中国人民公安大学研究生院北京100038

现有YOLOX-S模型在施工环境干扰下目标检测平均精准率(AP)偏低,不能较好满足实际应用需要。针对上述问题,从引入结构重参数化模块、引入卷积注意力模块、引入AdamW优化算法三方面对YOLOX-S模型进行改进。首先,利用RepVGGBlock解耦训练... 详细信息

现有YOLOX-S模型在施工环境干扰下目标检测平均精准率(AP)偏低,不能较好满足实际应用需要。针对上述问题,从引入结构重参数化模块、引入卷积注意力模块、引入AdamW优化算法三方面对YOLOX-S模型进行改进。首先,利用RepVGGBlock解耦训练阶段与测试阶段的模型结构,在训练阶段模型的Backbone与Neck中构建更多残差结构,提高模型的特征提取能力。其次,利用LKA模块提取局部特征信息与长距离依赖关系,为后续计算目标边界框位置与大小提供更加有效的注意力指引,提升检测平均精准率。然后,使用AdamW优化算法替代Adam优化算法更新模型参数,进一步改良模型收敛结果,提升模型泛化能力。最后,在建筑工地运动目标数据集(MOCS)上进行实验,结果表明,改进YOLOX-S模型检测所有目标的平均精准率提升3.3个百分点,检测大目标、中目标、小目标的平均精准率分别提升3.2、2.3、2.2个百分点。同时,改进YOLOX-S模型计算代价未明显增加,可在实时运行的同时更好满足施工场景下对目标检测平均精准率的需要。

关键词：目标检测施工场景结构重参数化大核注意力 YOLOX-S

基于改进YOLOX算法的X射线图像违禁品检测方法

在线全文

学校读者我要写书评

暂无评论

激光技术 2023年第4期47卷 547-552页

作者：袁金豪张南峰阮洁珊高向东广东工业大学广东省焊接工程技术研究中心广州510006 黄埔海关技术中心东莞523076

为了实现自动检测X射线图像中的违禁品,解决相互遮挡、目标相近和小目标违禁品检测难的问题,提出一种基于改进的你只观察一次(YOLOX)算法的X射线图像违禁品检测方法。首先在YOLOX的主干网络低层中引入使用大核注意力构建的空间注意力,... 详细信息

为了实现自动检测X射线图像中的违禁品,解决相互遮挡、目标相近和小目标违禁品检测难的问题,提出一种基于改进的你只观察一次(YOLOX)算法的X射线图像违禁品检测方法。首先在YOLOX的主干网络低层中引入使用大核注意力构建的空间注意力,提取低层特征图的远距离依赖信息和纹理信息,之后在主干网络的中层和高层增加卷积块的注意力模块以增强感兴趣区域信息并抑制无用信息;该方法在公开的安全检查X射线数据集上进行实验,同时为改善模型的鲁棒性,在训练前70个周期使用Mosaic数据增强方法。结果表明,改进的模型较基本模型增加少量的参数和计算量,均值平均精度增加2.45%,提升到87.88%,平均推理速率为58.5 frame/s。该研究为即时自动检测X射线图像中违禁品提供了有益的参考。

关键词： X射线光学违禁品检测 YOLOX算法大核注意力空间注意力卷积块的注意力模块

基于改进EfficientNet的木材识别研究

在线全文

学校读者我要写书评

暂无评论

森林工程 2023年第4期39卷 93-100页

作者：戴天虹翟冰东北林业大学机电工程学院哈尔滨150040

木材是一种常见的可再生资源,不同品种的木材有着不同的用途和商业价值。传统的木材分类工作主要依靠人工完成,工作效率较低。为提高木材识别效率,提出一种基于改进EfficientNet的木材识别方法。该方法以EfficientNet作为基准模型,采用... 详细信息

木材是一种常见的可再生资源,不同品种的木材有着不同的用途和商业价值。传统的木材分类工作主要依靠人工完成,工作效率较低。为提高木材识别效率,提出一种基于改进EfficientNet的木材识别方法。该方法以EfficientNet作为基准模型,采用大核注意力模块代替部分移动翻转瓶颈卷积(Mobile Inverted Bottleneck Convolution,MBConv)模块中的压缩激励网络(squeeze-and-excitation networks,SENet),联合2种注意力机制使网络能更有效地提取木材细粒度信息。训练过程中引入渐进式学习策略,采用不同尺寸大小的图像和不同丢弃概率的Dropout层进行训练,进一步提升模型训练速度和识别准确率。试验结果表明,改进后的EfficientNet模型识别准确率达到99.83%,相比于未改进的EfficientNet模型提高了0.49%,且模型参数仅6.16 MB。该研究的模型能够很好地识别木材种类,为移动端部署木材种类识别模型提供参考。

关键词：木材识别 EfficientNet 大核注意力细粒度信息渐进式学习