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

基于ConA-FPN的肝脏肿瘤检测算法

计算机工程与应用 2023年第2期59卷 161-169页

作者：马金林毛凯绩马自萍邓媛媛欧阳轲陈勇北方民族大学计算机科学与工程学院银川750021 图像图形智能处理国家民委重点实验室银川750021 北方民族大学数学与信息科学学院银川750021 宁夏医科大学总医院放射介入科银川750004

深度学习方法在病灶检测任务中被广泛应用,但因肝脏肿瘤较小和样本较少的问题,导致无法达到辅助诊断的准确率要求。针对以上问题,提出基于ConA-FPN的肝脏肿瘤检测算法,具体过程为:使用融合ResNet和注意力机制的特征金字塔替换Faster R-... 详细信息

深度学习方法在病灶检测任务中被广泛应用,但因肝脏肿瘤较小和样本较少的问题,导致无法达到辅助诊断的准确率要求。针对以上问题,提出基于ConA-FPN的肝脏肿瘤检测算法,具体过程为:使用融合ResNet和注意力机制的特征金字塔替换Faster R-CNN中的特征提取网络;使用融合特征解决特征金字塔中的高层模块通道信息损失问题,通过添加CAG注意力机制解决了特征融合带来的特征混叠问题,增强模型对小肿瘤的检测能力;使用迁移学习和数据增强提升模型在小数据集上的检测能力和泛化能力。实验结果表明,ConA-FPN在LITS2017和3D-IRCADB上的平均精度达到87.43%,明显优于主流检测模型。

关键词： ConA-FPN 肝脏肿瘤特征融合小目标小数据集

融合全局-局部上下文信息的小目标多人姿态估计

在线全文

学校读者我要写书评

暂无评论

计算机工程 2024年第4期50卷 342-349页

作者：龙辰志陈平李传坤中北大学信息探测与处理山西省重点实验室山西太原030051

尽管多人2D姿态估计方法趋近成熟,但是现有方法无法有效识别小目标的姿态。针对当前小目标姿态难以识别的问题,提出一种融合全局-局部上下文信息的多人姿态估计方法。利用高分辨率网络(HRNet)输出的不同尺度特征对人体的多个解剖中心进... 详细信息

尽管多人2D姿态估计方法趋近成熟,但是现有方法无法有效识别小目标的姿态。针对当前小目标姿态难以识别的问题,提出一种融合全局-局部上下文信息的多人姿态估计方法。利用高分辨率网络(HRNet)输出的不同尺度特征对人体的多个解剖中心进行粗糙的定位,通过多个中心点给小目标提供更多的监督信息,提高对小目标的定位能力。以定位的人体中心点坐标为线索,通过可变形采样的方式提取中心点附近不同尺度的局部上下文信息,并计算不同目标局部上下文信息之间的对比损失以提高目标之间的判别能力。以HRNet网络的低分辨率特征作为全局上下文信息,以局部上下文信息作为交叉注意力的查询,结合全局和局部上下文信息构建多层Transformer模型,增强小目标的上下文信息。将增强的小目标上下文信息作为聚类中心,解耦多尺度融合的特征得到不同目标对应的关键点热图,从而实现小目标多人姿态估计。实验结果表明,该方法能够有效提高小目标姿态的识别性能,在COCO test-dev2017数据集上取得了69.0%的平均精度(AP),APM比对偶解剖中心(DAC)方法提高1.4个百分点。

关键词：姿态估计小目标多中心点注意力上下文信息

融合Lite-HRNet的Yolo v5双模态自动驾驶小目标检测方法

在线全文

学校读者我要写书评

暂无评论

汽车工程 2022年第10期44卷 1511-1520,1536页

作者：刘子龙沈祥飞上海理工大学光电信息与计算机工程学院上海200093

针对目前自动驾驶领域的目标检测算法在对道路小目标和密集目标进行检测的时候出现漏检的问题,提出一种融合Lite-HRNet的Yolo v5网络。首先为了获得高分辨率的特征检测图将Lite-HRNet作为Yolo v5的主干网络,以增强对小目标及密集目标的... 详细信息

针对目前自动驾驶领域的目标检测算法在对道路小目标和密集目标进行检测的时候出现漏检的问题,提出一种融合Lite-HRNet的Yolo v5网络。首先为了获得高分辨率的特征检测图将Lite-HRNet作为Yolo v5的主干网络,以增强对小目标及密集目标的检测。为提升暗光场景下的检测性能,将红外图像与可见光图像进行动态权值融合,充分发挥可见光图像与红外图像的互补优势。由于主干网络进行了充分的特征融合,为加快检测速度取消在检测层中的特征融合结构。其次为了加快收敛速度和提高回归精度采用α-EIoU作为边界框损失函数,同时为选取针对数据集更合适的先验框,使用二分K-means算法进行聚类,并且使用小目标数据增强算法对数据集进行样本扩充。最后在flir数据集上进行对比测试,根据实验结果,提出的算法比Yolo v5在平均精度上提高了7.64%,小目标和密集目标的漏检率明显减少。

关键词：自动驾驶目标检测红外图像 Yolo v5 小目标 Lite-HRNet

在线全文

学校读者我要写书评

暂无评论

基于改进Yolov4的车辆目标检测

计算机工程 2023年第4期49卷 272-280页

作者：李松江耿兰兰王鹏长春理工大学计算机科学技术学院长春130022

交通场景中小目标及遮挡目标的检测对智能交通具有重要意义。目前基于深度学习的方法在检测车辆目标的特征提取方面取得了较好的效果,但是这些方法都缺乏鲁棒性,在交通场景中对小目标及遮挡目标的检测存在漏检、错检等情况。提出一种改... 详细信息

交通场景中小目标及遮挡目标的检测对智能交通具有重要意义。目前基于深度学习的方法在检测车辆目标的特征提取方面取得了较好的效果,但是这些方法都缺乏鲁棒性,在交通场景中对小目标及遮挡目标的检测存在漏检、错检等情况。提出一种改进Yolov4的车辆目标检测算法,在主干网络的残差模块中嵌入通道注意力机制ECA-Net,通过对每个通道的重要程度赋予不同的权重来获取跨通道的交互信息,实现通道间的信息关联,加强特征聚合,抑制无效特征。将主干网络输出的浅层特征细节信息与深层特征语义信息相融合,使每层具有当前层语义信息的同时融合丰富的细节信息,增强小目标及遮挡目标的特征。在此基础上,利用深度可分离卷积替换网络特征融合模块的普通卷积,提高网络速度,降低网络计算量。实验结果表明,改进后的Yolov4算法在KITTI和UADETRAC数据集上比原Yolov4算法分别提高了1.30和2.16个百分点,检测速度达到55帧/s,相比其他主流模型,能更好地检测小目标及遮挡目标。

关键词：车辆检测小目标遮挡目标特征融合深度可分离卷积

在线全文

学校读者我要写书评

暂无评论

基于YOLOv8的无人机图像目标检测算法

计算机工程 2024年第4期50卷 113-120页

作者：赵继达甄国涌储成群中北大学仪器与电子学院山西太原030051

在无人机(UAV)目标检测任务中,存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题,提出改进YOLOv8s的无人机图像目标检测算法。首先,针对无人机拍摄目标普遍为小目标的应用场景,减少算法骨干网络(Backbo... 详细信息

在无人机(UAV)目标检测任务中,存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题,提出改进YOLOv8s的无人机图像目标检测算法。首先,针对无人机拍摄目标普遍为小目标的应用场景,减少算法骨干网络(Backbone)层数,增大待检测特征图尺寸,使得网络模型更专注于微小目标;其次,针对数据集普遍存在一定数量低质量示例影响训练效果的问题,引入Wise-Io U损失函数,增强数据集训练效果;再次,通过引入上下文增强模块,获得小目标在不同感受野下的特征信息,改善算法在复杂环境下对小目标的定位和分类效果;最后,设计空间-通道滤波模块,增强卷积过程中目标的特征信息,滤除无用的干扰信息,改善卷积过程中部分微小目标特征信息被淹没、丢失的现象。在Vis Drone2019数据集上的实验结果表明,该算法的平均检测精度(m AP@0.5)达到45.4%,相较于原始YOLOv8s算法提高7.3个百分点,参数量减少26.13%。在相同实验条件下,相比其他常见小目标检测算法,检测精度和检测速度也有一定提升。

关键词：目标检测无人机小目标滤波改进YOLOv8算法注意力机制

在线全文

学校读者我要写书评

暂无评论

基于新型算子采样优化的交通标志检测网络

计算机工程 2022年第10期48卷 306-312页

作者：陈春辉马社祥天津理工大学集成电路科学与工程学院天津300384

传统基于卷积神经网络的交通标志检测网络采用堆叠大量卷积核的方式进行下采样,限制了卷积神经网络的感受野建模,难以灵活地调整内部参数,从而丢失图像的细节信息,导致小目标与遮挡目标的检测精度与定位精度降低。提出基于YOLOv5采样优... 详细信息

传统基于卷积神经网络的交通标志检测网络采用堆叠大量卷积核的方式进行下采样,限制了卷积神经网络的感受野建模,难以灵活地调整内部参数,从而丢失图像的细节信息,导致小目标与遮挡目标的检测精度与定位精度降低。提出基于YOLOv5采样优化的交通标志检测网络。以新型算子作为基础架构,采用自卷积方式灵活提取不同通道的特征,并构建跨阶段注意力机制模块,以增加各通道特征的重要性权值,从而提高小目标的检测能力。通过改进的通道聚合网络实现多尺度语义信息与细节特征的融合与增强,同时利用K-means聚类算法生成更适合交通标志的先验框,在非极大值抑制算法中引入距离交并比函数对预测框进行后处理,避免错误抑制复杂场景下被遮挡的目标,从而提高定位精度。在中国交通标志数据集上的实验结果表明,当交并比阈值为0.5时,该网络的平均精度均值为95.8%,与YOLOv5网络相比模型参数量减少了15.7%,在满足实时性的同时具有较优的小目标检测性能。

关键词：交通标志检测特征融合自注意力算子小目标注意力机制

在线全文

学校读者我要写书评

暂无评论

基于少样本学习的森林火灾烟雾检测方法

北京林业大学学报 2023年第9期45卷 137-146页

作者：贾一鸣张长春胡春鹤张军国北京林业大学工学院林木资源高效生产全国重点实验室林业装备与自动化国家林业和草原局重点实验室北京100083

【目的】为解决由于森林火灾烟雾数据集样本量小、样本特征分散、烟雾图像占比小等特点导致的林火烟雾检测模型识别效果差、准确率低等问题,实现快速、准确识别检测森林火灾烟雾。【方法】针对少样本森林火灾烟雾图像数据集的样本特征,... 详细信息

【目的】为解决由于森林火灾烟雾数据集样本量小、样本特征分散、烟雾图像占比小等特点导致的林火烟雾检测模型识别效果差、准确率低等问题,实现快速、准确识别检测森林火灾烟雾。【方法】针对少样本森林火灾烟雾图像数据集的样本特征,本研究提出了一种基于多头注意力机制的森林火灾烟雾图像检测方法。该方法首先在训练阶段采用数据增强方法,扩充训练数据的数量同时降低过拟合风险;然后设计特征提取模块与特征聚合模块,在特征提取模块中引入多头注意力机制并探讨引入的合适位置,使模型更多地关注火灾局部特征,解决烟雾图像少造成的信息缺失问题;在特征聚合模块中使用FPN-PAN模块对图像的深层与浅层语义信息进行特征融合;最后,设置检测头模块输出实验结果。利用测试准确率、召回率、误报率、检测率和F1值等评价指标在少样本公共数据集和自建火灾烟雾少样本数据集上测试本方法的有效性。【结果】在数据增强阶段同时增加马赛克数据增强和多尺度变换,可以得到更好的检测效果。在特征提取模块的第4个卷积模块后面添加1处多头注意力机制的模型性能最好。相较于现有的元学习长短时记忆网络、匹配网络和轻量级目标检测网络等方法,本方法有更好的检测效果,具体表现为准确率达到了98.79%,召回率98.28%,检测率97.33%,误报率仅为6.36%。【结论】与现有的火灾烟雾检测模型相比,本方法具有更好的判别能力和泛化能力。

关键词：森林火灾烟雾检测少样本小目标特征提取多头注意力机制

在线全文

学校读者我要写书评

暂无评论

基于多级特征双向融合的小目标检测优化模型

计算机应用 2024年

作者：潘烨新杨哲江苏省计算机信息处理技术重点实验室(苏州大学) 苏州大学计算机科学与技术学院

由于自身特征较小以及网络的深度造成特征丢失等客观原因，小目标的检测一直是目标检测领域的难点问题。针对以上问题，提出了基于网络结构进行多次特征增强来优化小目标检测的模型。首先，通过对主干网络中的空间金字塔池化进行替换来... 详细信息

由于自身特征较小以及网络的深度造成特征丢失等客观原因，小目标的检测一直是目标检测领域的难点问题。针对以上问题，提出了基于网络结构进行多次特征增强来优化小目标检测的模型。首先，通过对主干网络中的空间金字塔池化进行替换来优化梯度计算；其次，对网络颈部实行区分特征级别的多尺度双向融合以及对输出头添加自适应融合的手段来实现多级的特征增强。实验数据显示，该模型在COCO 2017-val数据集上，交并比（IoU）为0.5时，平均精度均值达到61.4%，与目前较为流行的YOLOv7模型相比提高了4.7个百分点，同时在单GPU上模型检测帧率为78.2 frame/s，符合工业水平的检测速度。实验结果表明，所提模型达到了提升小目标检测精度的效果。

关键词：深度学习小目标目标检测计算机视觉特征融合

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

CARFB：即插即用的目标检测模块

计算机科学与探索 2024年

作者：杨梅君姚若侠谢娟英陕西师范大学计算机科学学院

针对坐标注意力CA（Coordinate Attention）在水平和垂直方向特征的平均池化可能丢失目标显著特征，以及使用二维普通卷积对小目标特征学习不足的情况，提出了CARFB（Coordinate Attention and Receptive Field Block）模块。该模块将C... 详细信息

针对坐标注意力CA（Coordinate Attention）在水平和垂直方向特征的平均池化可能丢失目标显著特征，以及使用二维普通卷积对小目标特征学习不足的情况，提出了CARFB（Coordinate Attention and Receptive Field Block）模块。该模块将CA的平均池化修改为平均+最大池化，以保留输入特征在水平和垂直方向的显著和细节信息；利用RFB（Receptive Field Block）具有不同大小感受野的优势，在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积，以同时提取不同大小目标的特征；引入包含不同大小卷积核和步长的CBS（Convolution + Batch Normalization + SiLU）模块，替换CA的二维普通卷积，进一步提取水平和垂直方向的特征，得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息，利用不同感受野提取不同大小目标的强辨别性特征，从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能，首先将其嵌入ObjectBox目标检测框架，得到ObjectBox-CARFB模型；其次用CARFB模块替换RFB net中的RFB模块，得到CARFB net目标检测模型。MS COCO数据集的实验测试表明，ObjectBox-CARFB模型的性能全面提升，尤其对小目标的检测性能提升突出；PASCAL VOC和MS COCO数据集的实验结果表明，CARFB net300和CARFB net512的目标检测能力分别优于原始RFB net300和RFB net512模型，并优于其他同系列对比模型。提出的CARFB模块具有更强特征学习能力，对不同尺度目标均能取得较好检测效果，特别是在小目标检测方面，效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络，能保存更多目标信息，具有更强特征学习能力，提升网络性能，对不同尺度目标均能取得较好检测效果，尤其对小目标的检测效果提升显著。

关键词：目标检测 RFB 坐标注意力小目标深度学习