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

基于多尺度特征增强的列车摘钩关键部件检测

信息技术与信息化 2024年第1期 122-125页

作者：潘培玉刘宏州孙欣李瑞石磊陕西榆横铁路有限责任公司陕西榆林719000 四川国软科技集团有限公司四川成都610031

针对列车摘钩关键部件风管和折角塞门的小尺寸目标检测问题,使用多尺度特征增强改进YOLOv5s检测算法。首先在主干网络增加一个多分支卷积模块C2f输出一个大尺寸特征图;然后在颈部结构采用残差特征增强方式RFA提升特征金字塔的多尺度特... 详细信息

针对列车摘钩关键部件风管和折角塞门的小尺寸目标检测问题,使用多尺度特征增强改进YOLOv5s检测算法。首先在主干网络增加一个多分支卷积模块C2f输出一个大尺寸特征图;然后在颈部结构采用残差特征增强方式RFA提升特征金字塔的多尺度特征融合表征能力;最后检测头输出4种尺度的检测特征图,其中新增特征图的尺寸最大,用于增强小尺寸目标的检测能力。实验结果表明,改进YOLOv5s在平均检测精度mAP上提升了1.4%,优于SSD,提升了小尺寸风管和折角塞门的检测能力。

关键词：铁路货运列车摘钩部件目标检测多尺度特征残差特征增强

在线全文

学校读者我要写书评

暂无评论

结合特征学习与注意力机制的服装图像分割

纺织学报 2022年第11期43卷 163-171页

作者：顾梅花刘杰李立瑶崔琳西安工程大学电子信息学院陕西西安710048

针对小尺寸服装与遮挡服装图像分割准确率低的问题,提出一种基于改进多尺度特征学习策略与注意力机制的服装图像分割方法。以Mask R-CNN为基础框架,首先采用增强特征金字塔网络优化模型的特征学习过程,对多尺度服装特征进行统一监督,缩... 详细信息

针对小尺寸服装与遮挡服装图像分割准确率低的问题,提出一种基于改进多尺度特征学习策略与注意力机制的服装图像分割方法。以Mask R-CNN为基础框架,首先采用增强特征金字塔网络优化模型的特征学习过程,对多尺度服装特征进行统一监督,缩小不同层级之间的语义差距,引入残差特征增强模块减少高层特征损失,采用软感兴趣区域选择自适应地获取最优感兴趣区域特征;然后在分类预测分支引入通道注意力模块,在边界框回归与掩膜预测分支分别引入空间注意力模块,提取图像中需要重点关注的服装区域特征。结果表明,与其他方法相比,本文方法改善了小尺寸服装图像和遮挡服装图像分割中存在的漏检、漏分割现象,提取出的服装实例更精确,其平均精度均值比原模型提升了3.8%。

关键词：服装图像分割多尺度特征学习一致监督策略残差特征增强软感兴趣区域选择注意力机制

在线全文

学校读者我要写书评

暂无评论

一种金属类酒瓶盖瑕疵质检算法

中国科技论文 2022年第11期17卷 1236-1244页

作者：李玉洁韩进刘恩爽山东科技大学计算机科学与工程学院山东青岛266590

针对酒瓶盖瑕疵会影响产品质量的问题,提出了一种酒瓶盖瑕疵YOLOv3-MRHA检测算法,基于YOLOv3算法,对其主干网络和特征提取层进行改进。为减少主干网络特征丢失现象,提出了多级特征融合(multilevel feature fusion,MFF)模块;为提高检测... 详细信息

针对酒瓶盖瑕疵会影响产品质量的问题,提出了一种酒瓶盖瑕疵YOLOv3-MRHA检测算法,基于YOLOv3算法,对其主干网络和特征提取层进行改进。为减少主干网络特征丢失现象,提出了多级特征融合(multilevel feature fusion,MFF)模块;为提高检测的准确率,增加了尺度为104×104的特征层,并构造了一种增强特征信息的残差特征增强(residual feature enhancement,RFE)模块;为提高深层特征层的检测能力,引入了空洞卷积,使浅层信息向下融合,在特征提取层使用通道注意力机制。结果表明,所提YOLOv3-MRHA算法的检测精度比YOLOv3算法提高近6%,可有效地提高瑕疵检测的准确率,满足工业质检的要求。

关键词：酒瓶盖瑕疵检测多级特征融合残差特征增强空洞卷积通道注意力机制

在线全文

学校读者我要写书评

暂无评论

基于深度学习的小目标检测算法研究

基于深度学习的小目标检测算法研究

作者：付苗苗河南工业大学

学位级别：硕士

随着深度学习的发展,目标检测算法的性能得到了很大提升,是智能安防、自动驾驶、智慧交通、医疗诊断等领域的重要支撑技术。在目标检测的实际应用中,由于角度、距离、遮挡等因素导致图像中存在许多面积占比小、像素点少的目标。这些目... 详细信息

随着深度学习的发展,目标检测算法的性能得到了很大提升,是智能安防、自动驾驶、智慧交通、医疗诊断等领域的重要支撑技术。在目标检测的实际应用中,由于角度、距离、遮挡等因素导致图像中存在许多面积占比小、像素点少的目标。这些目标的尺寸小、特征信息有限,因此检测精度较低,漏检、误检率高。为了提高小目标检测精度,本文深入分析不同场景下小目标检测难点,提出了两种小目标检测算法。本文的主要工作如下:(1)针对远距离监控场景下产生的小尺度目标漏检问题,提出基于残差特征增强与对称金字塔网络(Residual Feature Enhanced-Symmetric Pyramid Network,RFE-SPN)的小目标检测算法。该算法设计了一种新颖的特征金字塔网络REF-SPN,包含残差特征增强RFE和对称金字塔网络SPN两个模块。其中,RFE用于过滤浅层特征图的背景噪声、增强底层特征信息;SPN构建对称结构的特征金字塔网络,利用双分支结构传递信息,使每层都可以补充来自其他层的高级语义信息和底层详细信息。所提出算法在多个数据集上实验,实验结果表明该算法可以有效提高小目标检测精度,缓解小目标漏检问题。(2)针对复杂场景下由遮挡导致的小目标特征信息缺失问题,提出基于自注意力网络的小目标检测算法。该算法提出了一种基于上下文信息的自注意力机制(Context Based Self Attention,CBSA),将上下文信息挖掘和自注意力学习集成在统一的框架中,对图像非局部特征建模,有效获取全局信息。基于提出的自注意力机制设计了一种自注意力网络CBSA-Net,利用自注意力在浅层网络学习全局特征信息,加强远距离像素之间的联系,通过全局上下文信息增强小目标特征。其次,CBSA-Net重新构建网络的深层特征图,在不增加下采样次数的情况下,使深层特征图尽可能保留小目标信息,同时拥有较大感受野和强大语义信息。基于自注意力网络的小目标检测算法在两个数据集上实验,实验结果表明该算法可以有效解决由遮挡造成的小目标特征信息缺失问题,有效提高小目标检测精度。综上所述,本文针对远距离监控场景下产生的小目标漏检问题以及复杂场景下由遮挡导致的小目标信息缺失问题,提出的两种小目标检测算法,通过有效利用网络浅层小目标信息以及全局信息,提高了小目标检测精度。

关键词：小目标检测残差特征增强对称网络多尺度融合自注意力