检索结果-南通市图书馆

mobilenetv3-CenterNet:A Target Recognition Method for Avoiding Missed Detection Effectively Based on a Lightweight Network

引用

Journal of Beijing Institute of Technology 2023年第1期32卷 82-94页

作者： Yajing Li Xiaoyan Xiong Wenbin Xin Jiahai Huang Huimin Hao School of Taiyuan University of Technology Taiyuan 030000China

To solve the problems in online target detection on the embedded platform,such as high missed detection rate,low accuracy,and slow speed,a lightweight target recognition method of mobilenetv3-CenterNet is *** method combines the anchor-free Centernet network with the mobilenetv3 small network and is trained on the University at Albany Detection and Tracking(UA-DETRAC)and the Pattern Analysis,Statical Modeling and Computational Learn-ing Visual Object Classes(PASCAL VOC)07+12 standard *** reducing the scale of the network model,the mobilenetv3-CenterNet model shows a good balance in the accuracy and speed of target recognition and effectively solves the problems of missing detection of dense and small targets in online *** verify the recognition performance of the model,it is tested on 2683 images of the UA-DETRAC and PASCAL VOC 07+12 datasets,and compared with the analysis results of CenterNet-Deep Layer Aggregation(DLA)34,CenterNet-Residual Network(ResNet)18,CenterNet-mobilenetv3-large,You Only Look Once vision 3(YOLOv3),mobilenetv2-YOLOv3,Single Shot Multibox Detector(SSD),mobilenetv2-SSD and Faster region convolutional neural network(RCNN)*** results show that the mobilenetv3-CenterNet model accurately rec-ognized the dense targets and small targets missed by other methods,and obtained a recognition accuracy of 99.4%with a running speed at 53(on a server)and 14(on an ipad)frame/s,*** mobilenetv3-CenterNet lightweight target recognition method will provide effective technical support for the target recognition of deep learning networks in embedded platforms and online detection.

关键词： target detection mobilenetv3 CenterNet lightweight

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于mobilenetv3-SVDD的雷达信号调制方式开集识别

引用

哈尔滨工程大学学报 2022年第8期43卷 1178-1185页

作者：肖易寒李航于祥祯宋柯哈尔滨工程大学信息与通信工程学院黑龙江哈尔滨150001 哈尔滨工程大学先进船舶通信与信息技术工业和信息化部重点实验室黑龙江哈尔滨150001 上海无线电设备研究所上海201109

针对常见雷达信号调制方式识别方法无法识别未知调制方式的问题,本文提出了一种基于mobilenetv3-SVDD的雷达信号调制方式开集识别方法。将不同调制方式的雷达信号转换成时频图像,使用轻量级深度神经网络mobilenetv3网络提取图像特征。... 详细信息

针对常见雷达信号调制方式识别方法无法识别未知调制方式的问题,本文提出了一种基于mobilenetv3-SVDD的雷达信号调制方式开集识别方法。将不同调制方式的雷达信号转换成时频图像,使用轻量级深度神经网络mobilenetv3网络提取图像特征。基于一类分类器SVDD构建调制方式超球体来测试识别在训练中未出现过的未知调制方式,完成了对雷达信号调制方式的开集识别。实验结果表明:该方法在信噪比等于8 dB时,已知调制方式识别率均达到100%,未知调制方式识别率均达到95%以上,实现了对未知调制方式的有效分类识别。

关键词：调制方式识别开集识别时频分析崔-威廉斯分布轻量级深度神经网络 mobilenetv3 一类分类器支持向量数据描述

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合mobilenetv3特征的结构化剪枝方法

引用

上海交通大学学报 2023年第9期57卷 1203-1213页

作者：刘宇雷雪梅内蒙古大学电子信息工程学院呼和浩特010021

传统的深度神经网络由于计算量和内存占用庞大,难以部署到嵌入式平台中发挥实用价值,所以轻量级的深度神经网络得到快速发展.其中,谷歌提出的轻量级架构MobileNet具有广泛的应用.为了进一步提高性能,MobileNet的模型由mobilenetv1发展到... 详细信息

传统的深度神经网络由于计算量和内存占用庞大,难以部署到嵌入式平台中发挥实用价值,所以轻量级的深度神经网络得到快速发展.其中,谷歌提出的轻量级架构MobileNet具有广泛的应用.为了进一步提高性能,MobileNet的模型由mobilenetv1发展到mobilenetv3,但模型变得更为复杂,导致其规模不断扩大,难以发挥轻量级模型的优势.为了在能保持mobilenetv3性能的前提下,降低部署于嵌入式平台的难度,提出一种融合mobilenetv3特征的结构化剪枝方法,对mobilenetv3-Large模型进行裁剪,得到一个更加紧凑的模型.首先对模型进行稀疏正则化训练,得到一个较为稀疏的网络模型;然后使用卷积层的稀疏值和批量归一化层的缩放系数的乘积判别冗余滤波器对其进行结构化剪枝,并在CIFAR-10和CIFAR-100数据集上进行实验.实验结果表明:提出的压缩方法可以有效压缩模型参数,并且压缩后模型仍然能保证良好性能;在准确率不变的前提下,CIFAR-10上模型的参数量减少44.5%,且计算量减少40%.

关键词：深度神经网络轻量级模型结构化剪枝 mobilenetv3

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于mobilenetv3与ST-SRU的危险驾驶姿态识别

引用

控制与决策 2022年第5期37卷 1320-1328页

作者：赵俊男佘青山穆高原吴秋轩席旭刚杭州电子科技大学自动化学院杭州310018

针对危险驾驶行为引起的交通安全事故频发的现状,提出一种基于mobilenetv3和ST-SRU的危险驾驶姿态识别系统.首先,修改mobilenetv3的网络结构使其适用于人体姿态估计任务,输出关节点的热力图和偏移量图,用来估计J个关节点的二维坐标位置... 详细信息

针对危险驾驶行为引起的交通安全事故频发的现状,提出一种基于mobilenetv3和ST-SRU的危险驾驶姿态识别系统.首先,修改mobilenetv3的网络结构使其适用于人体姿态估计任务,输出关节点的热力图和偏移量图,用来估计J个关节点的二维坐标位置;其次,定义ST-SRU骨架动作识别算法,利用动作的骨架序列数据对动作进行分类.实验结果表明:mobilenetv3姿态估计算法在自建的AI Challenger上肢姿态数据集上测得PCP值(percentage correct parts)达到95.6%,测试1000次用时仅为5.03 s;利用自建的危险驾驶行为数据集将训练好的姿态估计和动作识别模型移植到嵌入式平台,实现了实时的危险驾驶姿态识别系统.

关键词： mobilenetv3 人体姿态估计骨架动作识别 ST-SRU 危险驾驶姿态识别

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于知识蒸馏与RP-mobilenetv3的电能质量复合扰动识别

引用

电力系统保护与控制 2023年第14期51卷 75-84页

作者：贺才郡李开成董宇飞宋朝霞肖贤贵李贝奥李旋华中科技大学电气与电子工程学院湖北武汉430074

针对复合电能质量扰动(power quality disturbance,PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot,RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号... 详细信息

针对复合电能质量扰动(power quality disturbance,PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot,RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network,DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation,KD)让已训练的DRSN指导轻量化网络mobilenetv3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的mobilenetv3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。

关键词：电能质量扰动递归图图像深度残差收缩网络知识蒸馏 mobilenetv3

来源：

维普期刊数据库

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Opt-mobilenetv3的大豆种子异常籽粒识别研究

引用

农业机械学报 2023年第S2期54卷 359-365页

作者：陈思羽朱红媛王俊发于添王贞旭刘春山佳木斯大学机械工程学院佳木斯154007

针对大豆异常籽粒识别模型参数量过大、计算成本高、准确率较低等问题,提出了一种改进的轻量级神经网络mobilenetv3模型,将其层数减少,加快模型的训练和推理速度,增加全连接层和Softmax层以增加模型的非线性判别能力以及利于多分类任务... 详细信息

针对大豆异常籽粒识别模型参数量过大、计算成本高、准确率较低等问题,提出了一种改进的轻量级神经网络mobilenetv3模型,将其层数减少,加快模型的训练和推理速度,增加全连接层和Softmax层以增加模型的非线性判别能力以及利于多分类任务的输出,使用全局平均池化代替全局最大池化减少信息丢失,通过添加Dropout层以及去掉mobilenetv3中SE Block注意力机制来增加模型的泛化能力。试验结果表明:将大豆籽粒图像数据经过传统的卷积神经网络AlexNet、VGG16与轻量级神经网络mobilenetv3训练测试结果进行对比,AlexNet算法最终平均精度均值(Mean average precision,mAP)为87.3%、VGG16算法为87.7%,二者mAP相差较小,但两者在训练过程中模型内存占用量及训练时间相差较大,其中AlexNet模型内存占用量为7070 kB,训练时间为5420.59 s,而VGG16模型内存占用量为19674 kB,训练时间为8282.68 s,整体来看AlexNet相对更好。通过对轻量级神经网络mobilenetv3模型的识别训练,最终模型内存占用量为32153 kB,训练时间为6298.29 s,mAP达到90.6%,相比两个传统算法更高,更适合大豆异常籽粒的分类识别。为了提高训练精度及速度,通过对mobilenetv3网络模型结构调整改进,最终优化改进后的Opt-mobilenetv3网络模型mAP达到95.7%,相较传统mobilenetv3神经网络mAP提高5.1个百分点,模型内存占用量为9317 kB,减小22836 kB,同时训练时间节省696.57 s。优化后的模型实现了模型减小、准确率提高、训练速度加快,可完成大豆异常籽粒识别任务。

关键词：大豆种子异常籽粒 mobilenetv3 籽粒识别

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

Recognition of grape leaf diseases using mobilenetv3 and deep transfer learning

引用

International Journal of Agricultural and Biological Engineering 2022年第3期15卷 184-194页

作者： Xiang Yin Wenhua Li Zhen Li Lili Yi School of Agricultural Engineering and Food Science Shandong University of TechnologyZibo 255000ShandongChina School of Artificial Intelligence Nanjing University of Aeronautics and AstronauticsNanjing 210016China

Timely diagnosis and accurate identification of grape leaf diseases are decisive for controlling the spread of disease and ensuring the healthy development of the grape *** objective of this research was to propose a simple and efficient approach to improve grape leaf disease identification accuracy with limited computing resources and scale of training image dataset based on deep transfer learning and an improved mobilenetv3 model(GLD-DTL).A pre-training model was obtained by training mobilenetv3 using the ImageNet dataset to extract common features of the grape *** the last convolution layer of the pre-training model was modified by adding a batch normalization function.A dropout layer followed by a fully connected layer was used to improve the generalization ability of the pre-training model and realize a weight matrix to quantify the scores of six diseases,according to which the Softmax method was added as the top layer of the modified networks to give probability distribution of six ***,the grape leaf diseases dataset,which was constructed by processing the image with data augmentation and image annotation technologies,was input into the modified networks to retrain the networks to obtain the grape leaf diseases recognition(GLDR)*** showed that the proposed GLD-DTL approach had better performance than some recent *** identification accuracy was as high as 99.84%while the model size was as small as 30 MB.

关键词： grape leaf diseases real-time recognition deep transfer learning mobilenetv3

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于mobilenetv3卷积神经网络的供水管道漏损音频分类

引用

北京工业大学学报 2024年第7期50卷 797-804页

作者：陈双叶徐雷桁黄成意张智武张林韩默北京工业大学信息学部北京100124 北京市自来水集团禹通市政工程有限公司北京100142

为了对城市供水管网漏损音进行准确识别,提出一种基于mobilenetv3的供水管道漏损音频分类识别方法。首先将ROPP数据集中的音频文件进行离线数据增强,将漏损信号转变为对数梅尔谱图并采用谱减法实现数据降噪;然后使用注意力机制模块与Mob... 详细信息

为了对城市供水管网漏损音进行准确识别,提出一种基于mobilenetv3的供水管道漏损音频分类识别方法。首先将ROPP数据集中的音频文件进行离线数据增强,将漏损信号转变为对数梅尔谱图并采用谱减法实现数据降噪;然后使用注意力机制模块与mobilenetv3网络训练识别并提取图像特征;最后使用Softmax函数对漏损音频进行分类。实验结果表明,该方法可以使漏水类别的分类精确度达到99.40%,召回率达到99.20%。

关键词：声音事件分类水管泄漏检测 mobilenetv3 数据增强谱减法压缩奖惩网络模块

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于电子舌和电子眼结合改进mobilenetv3的黄芪快速溯源检测

引用

食品与机械 2023年第6期39卷 37-47页

作者：金鑫宁刘铭桑恒亮马云霞王志强山东理工大学计算机科学与技术学院山东淄博255049 淄博市中西医结合医院山东淄博255049

目的:实现对不同产地黄芪的快速溯源检测。方法:提出了一种基于电子舌和电子眼结合改进mobilenetv3网络的黄芪产地快速检测方法。采用电子舌和电子眼分别采集不同黄芪样本的一维指纹图谱信息和二维外观图像信息。利用格拉姆角场(Gramian... 详细信息

目的:实现对不同产地黄芪的快速溯源检测。方法:提出了一种基于电子舌和电子眼结合改进mobilenetv3网络的黄芪产地快速检测方法。采用电子舌和电子眼分别采集不同黄芪样本的一维指纹图谱信息和二维外观图像信息。利用格拉姆角场(Gramian angular field,GAF)将一维电子舌信号转换为二维图像信息,保留电子舌信号中时间序列相关特征,再将其与电子眼采集的图像信息进行数据融合,采用基于金字塔切分注意力机制(Pyramid split attention,PSA)改进的mobilenetv3模型实现对不同产地黄芪样本的分类识别。结果:相较于单独使用电子舌或者电子眼,该方法具有更高的识别准确率,其测试集准确率、精确率、召回率和F_(1)-Score分别达到98.8%,98.8%,98.8%和0.99。改进的mobilenetv3网络分类准确率较原始模型提高了8%,参数量仅为原参数量的20%左右。结论:改进的mobilenetv3网络可以有效减少参数的计算量,提高不同产地黄芪识别的准确率。

关键词：电子舌电子眼格拉姆角场数据融合 mobilenetv3 黄芪

来源：

维普期刊数据库

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Opt-mobilenetv3的大豆异常籽粒识别研究

引用

农业机械学报 2023年

作者：陈思羽朱红媛于添王贞旭乔睿刘春山佳木斯大学机械工程学院

针对大豆异常籽粒识别模型参数量过大、计算成本高、准确率较低等问题，提出了一种改进的轻量级神经网络mobilenetv3模型，将其层数减少，加快模型的训练和推理速度，增加全连接层和Softmax层增加模型的非线性判别能力以及利于多分类任... 详细信息

针对大豆异常籽粒识别模型参数量过大、计算成本高、准确率较低等问题，提出了一种改进的轻量级神经网络mobilenetv3模型，将其层数减少，加快模型的训练和推理速度，增加全连接层和Softmax层增加模型的非线性判别能力以及利于多分类任务的输出，使用全局平均池化代替全局最大池化减少信息丢失，通过添加Dropout层以及去掉mobilenetv3中SE Block注意力机制来增加模型的泛化能力。试验结果表明：将大豆籽粒图像数据经过传统的卷积神经网络AlexNet、VGG16与轻量级神经网络mobilenetv3训练测试结果进行对比，AlexNet算法最终平均精度均值（Mean average precision，mAP）为87.3%、VGG16算法为87.7%，二者mAP相差较小，但两者在训练过程中模型内存占用量及训练时间相差较大，其中AlexNet模型内存占用量为7，070 kB，训练时间为5420.59 s，而VGG16模型内存占用量为19，674 kB，训练时间为8282.68 s，整体来看AlexNet相对更好。通过对轻量级神经网络mobilenetv3模型的识别训练最终模型内存占用量为32，153kB，训练时间为6298.29s，mAP达到90.6%，相比两个传统算法更高，更适合大豆异常籽粒的分类识别。为了提高训练精度及速度，通过对mobilenetv3网络模型结构调整改进，最终优化改进后的Opt-mobilenetv3网络模型mAP达到了95.7%，相较传统mobilenetv3神经网络mAP提高了5.1个百分点，模型内存占用量为9，317 kB，减小22，836 kB，同时训练时间节省696.57 s。优化后的模型实现了模型减小、准确率提高、训练速度加快，可满足大豆异常籽粒识别任务。

关键词：大豆异常籽粒 mobilenetv3 籽粒识别

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：