检索结果-维普期刊中文期刊服务平台

融合快速边缘注意力的Transformer跟踪算法: 1; 作者薛紫涵葛海波 +2 位作者王淑贤安玉杨雨迪《计算机工程与应用》北大核心 2025年第1期221-231,共11页; 针对长期目标跟踪中出现模型退化和跟踪漂移的问题,提出了一种融合快速边缘注意力的Transformer跟踪算法TransFEA(fast edge attention on Transformer)。使用ResNet-50作为Siamese网络的骨干网络,并在其每个残差块后端引入注意力网络... 展开更多; 关键词 Transformer网络边缘注意力网络快速注意力网络多层感知器; 在线阅读下载PDF 职称材料

融合像素互相关的Transformer跟踪算法: 2; 作者薛紫涵葛海波 +1 位作者杨雨迪田攀帅《计算机工程与应用》北大核心 2025年第12期279-290,共12页; Siamese网络互相关操作的局部匹配性无法有效获得全局上下文信息,而Transformer网络依赖全局关系获得语义信息,但需要更多的局部边缘信息来区分目标和背景。因此,提出了一种结合像素互相关(pixel-wise crosscorrelation,PW-Corr)和Trans... 展开更多; 关键词 Transformer网络像素互相关注意力机制全局上下文感知; 在线阅读下载PDF 职称材料

融合超分辨率和特征增强的轻量化遥感图像小目标检测被引量：2: 3; 作者杨雨迪葛海波 +2 位作者辛世澳薛紫涵袁昊《计算机工程》 CAS CSCD 北大核心 2024年第11期284-296,共13页; 为了应对遥感图像目标检测中小目标像素低、背景复杂、硬件资源有限等问题,提出一种融合超分辨率(SR)和特征增强的小目标检测模型。采用GhostNet网络中的Ghost卷积层替换YOLOv8网络中的传统卷积层Conv,在不影响检测精度的情况下降低网... 展开更多; 关键词目标检测超分辨率遥感图像 YOLOv8网络注意力机制特征融合; 在线阅读下载PDF 职称材料

改进YOLOv7的轻量化水下目标检测算法被引量：16: 4; 作者辛世澳葛海波 +2 位作者袁昊杨雨迪姚洋《计算机工程与应用》 CSCD 北大核心 2024年第3期88-99,共12页; 针对水下设备内存和计算能力有限和水下环境复杂造成的目标错检和漏检问题,提出一种轻量级水下目标检测方法 YOLOv7-SDBB。在YOLOv7的骨干网络上引入ShuffleNetv2轻量级网络,降低特征提取网络的参数量和计算量;设计了D-ELAN和D-MPConv模... 展开更多; 关键词轻量级网络水下目标检测 YOLOv7 稀疏注意力机制; 在线阅读下载PDF 职称材料

基于深度纹理特征的伪装目标边缘细化检测被引量：1: 5; 作者袁昊葛海波 +2 位作者辛世澳胥冬梅杨雨迪《计算机工程》 CAS CSCD 北大核心 2024年第10期89-99,共11页; 为解决传统伪装目标检测(COD)出现的空间信息不完整和目标边界模糊的问题,提出一种基于深度纹理特征的伪装目标边缘细化检测算法。该算法针对目标的纹理差异和边缘细节设计上下文纹理差异放大模块(CTDAM)、特征边界搜寻模块(FBSM)和边... 展开更多; 关键词伪装目标检测特征边界搜寻注意力特征融合上下文信息纹理差异; 在线阅读下载PDF 职称材料

题名融合快速边缘注意力的Transformer跟踪算法: 1; 作者薛紫涵葛海波王淑贤安玉杨雨迪; 机构西安邮电大学电子工程学院; 出处《计算机工程与应用》北大核心 2025年第1期221-231,共11页; 基金陕西省自然科学基金(2011JM8038) 陕西省重点产业创新链(群)项目(S2019-YF-ZDCXL-0098)。; 文摘针对长期目标跟踪中出现模型退化和跟踪漂移的问题,提出了一种融合快速边缘注意力的Transformer跟踪算法TransFEA(fast edge attention on Transformer)。使用ResNet-50作为Siamese网络的骨干网络,并在其每个残差块后端引入注意力网络进行特征提取,增强目标的关键信息和全局信息;边缘注意力网络(edge attention network,EA)提取模板与搜索区域的特征向量,快速注意力网络(fast attention network,FA)计算注意响应值,确定两个区域的相似度,以此调整目标位置。设计多层感知器预测边界框,避免过多超参数,使跟踪器实现了准确性与轻量化的平衡。实验结果表明,TransFEA在LaSOT数据集上成功率和准确率分别为65.3%、69.1%,运行可以达到90 FPS,提高了长期跟踪的成功率和准确率。; 关键词 Transformer网络边缘注意力网络快速注意力网络多层感知器; Keywords Transformer network edge attention network fast attention network multi-layer perceptron; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名融合像素互相关的Transformer跟踪算法: 2; 作者薛紫涵葛海波杨雨迪田攀帅; 机构西安邮电大学电子工程学院; 出处《计算机工程与应用》北大核心 2025年第12期279-290,共12页; 基金陕西省自然科学基金(2011JM8038) 陕西省重点产业创新链(群)项目(S2019-YF-ZDCXL-0098)。; 文摘 Siamese网络互相关操作的局部匹配性无法有效获得全局上下文信息,而Transformer网络依赖全局关系获得语义信息,但需要更多的局部边缘信息来区分目标和背景。因此,提出了一种结合像素互相关(pixel-wise crosscorrelation,PW-Corr)和Transformer的目标跟踪算法。构建并行编码器并采用非线性重加权注意力(non-linear reweighting attention,NRA)提高Transformer获取全局上下文的能力;设计解码器并融合像素互相关从空间和通道两方面的交互提高特征融合的精确度,过滤多余背景干扰。分类回归任务使用一个基于多层感知器(multi-layer perceptron,MLP)的分类头和具有全局上下文感知模块(global context awareness module,GCAM)的回归头,捕捉全局信息同时提取目标局部信息,促进算法对跟踪目标的准确定位。实验结果表明,改进后的算法在OTB100数据集上成功率和准确率分别可达70.6%、92.1%,提高了跟踪的成功率和准确率。; 关键词 Transformer网络像素互相关注意力机制全局上下文感知; Keywords Transformer network pixel-wise cross-correlation attention mechanism global context awareness; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名融合超分辨率和特征增强的轻量化遥感图像小目标检测被引量：2: 3; 作者杨雨迪葛海波辛世澳薛紫涵袁昊; 机构西安邮电大学电子工程学院; 出处《计算机工程》 CAS CSCD 北大核心 2024年第11期284-296,共13页; 基金陕西省自然科学基金(2011JM8038) 陕西省重点产业创新链(群)项目(S2019-YF-ZDCXL-0098)。; 文摘为了应对遥感图像目标检测中小目标像素低、背景复杂、硬件资源有限等问题,提出一种融合超分辨率(SR)和特征增强的小目标检测模型。采用GhostNet网络中的Ghost卷积层替换YOLOv8网络中的传统卷积层Conv,在不影响检测精度的情况下降低网络模型的参数量和计算量。在主干网络中,构建超分辨率辅助增强(SRAE)模块提升图像的分辨率和特征提取能力。利用三层特征融合(TFF)模块,获取主干网络较低层的空间特征,改善快速空间金字塔池化(SPPF)层特征空间提取不足的问题,提高小目标空间定位能力。设计自注意力信息转移(SAT)模块,在保证模型轻量化的同时增强小目标的语义信息和全局信息。实验结果表明,改进模型在DIOR数据集上实现了90.5%的mAP@0.5、15.1×10^(6)的参数量和30.3×10^(9)的每秒浮点运算次数(FLOPs),相比于其他模型在实现网络轻量化的同时提升了小目标检测精度。; 关键词目标检测超分辨率遥感图像 YOLOv8网络注意力机制特征融合; Keywords object detection Super-Resolution(SR) remote sensing image YOLOv8 network attention mechanism feature fusion; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名改进YOLOv7的轻量化水下目标检测算法被引量：16: 4; 作者辛世澳葛海波袁昊杨雨迪姚洋; 机构西安邮电大学电子工程学院; 出处《计算机工程与应用》 CSCD 北大核心 2024年第3期88-99,共12页; 基金陕西省自然科学基金(2011JM8038) 陕西省重点产业创新链(群)项目(S2019-YF-ZDCXL-0098)。; 文摘针对水下设备内存和计算能力有限和水下环境复杂造成的目标错检和漏检问题,提出一种轻量级水下目标检测方法 YOLOv7-SDBB。在YOLOv7的骨干网络上引入ShuffleNetv2轻量级网络,降低特征提取网络的参数量和计算量;设计了D-ELAN和D-MPConv模块,在进一步实现网络轻量化的同时提高模型检测速度;由于水下检测过程中容易出现错检、漏检的现象,利用BiFPN(bidirectional feature pyramid network)进行多尺度特征融合,融合深层的特征信息;针对BiFPN特征融合导致的特征信息丢失的问题,采用BiFormer注意力机制保留关键信息,提高目标检测精度。实验结果表明,改进后模型在URPC2020数据集上的精度提高了2.7个百分点,参数量和计算量分别下降了20.3%和41.7%,检测速度提升至100.9 FPS,从而验证了提出的算法在精度和速度之间取得了很好的平衡。; 关键词轻量级网络水下目标检测 YOLOv7 稀疏注意力机制; Keywords lightweight network underwater target detection YOLOv7 sparse attention mechanism; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度纹理特征的伪装目标边缘细化检测被引量：1: 5; 作者袁昊葛海波辛世澳胥冬梅杨雨迪; 机构西安邮电大学电子工程学院; 出处《计算机工程》 CAS CSCD 北大核心 2024年第10期89-99,共11页; 基金陕西省自然科学基金(2011JM8038) 陕西省重点产业创新链(群)项目(S2019-YF-ZDCXL-0098)。; 文摘为解决传统伪装目标检测(COD)出现的空间信息不完整和目标边界模糊的问题,提出一种基于深度纹理特征的伪装目标边缘细化检测算法。该算法针对目标的纹理差异和边缘细节设计上下文纹理差异放大模块(CTDAM)、特征边界搜寻模块(FBSM)和边界推理模块(BIM)。CTDAM利用全局感受野覆盖和并行多分支混合卷积方式突出被遮挡的伪装目标的纹理差异;在注意力特征融合模块(AFFM)中引入局部注意力和位置通道感知并行注意力指导特征跨层融合,达到平衡局部信息和增强全局上下文语义信息的效果;FBSM利用自注意力机制将低层与高层特征相结合,处理不同边界像素点之间的依赖关系;BIM利用FBSM所提供的边界指导因子,指导融合后的特征推断出真实目标并细化边缘细节。在CAMO、CHAMELEON和COD 10K数据集上利用4个客观评估指标进行定量和定性实验,结果表明,该算法的检测性能优于对比的8种先进算法,在COD 10K数据集上,其平均绝对误差(MAE)达到了0.034。; 关键词伪装目标检测特征边界搜寻注意力特征融合上下文信息纹理差异; Keywords Camouflage Object Detection(COD) feature boundary search attention feature fusion context information texture difference; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	融合快速边缘注意力的Transformer跟踪算法	薛紫涵葛海波王淑贤安玉杨雨迪	《计算机工程与应用》北大核心	2025	0	在线阅读下载PDF 职称材料
2	融合像素互相关的Transformer跟踪算法	薛紫涵葛海波杨雨迪田攀帅	《计算机工程与应用》北大核心	2025	0	在线阅读下载PDF 职称材料
3	融合超分辨率和特征增强的轻量化遥感图像小目标检测	杨雨迪葛海波辛世澳薛紫涵袁昊	《计算机工程》 CAS CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
4	改进YOLOv7的轻量化水下目标检测算法	辛世澳葛海波袁昊杨雨迪姚洋	《计算机工程与应用》 CSCD 北大核心	2024	16	在线阅读下载PDF 职称材料
5	基于深度纹理特征的伪装目标边缘细化检测	袁昊葛海波辛世澳胥冬梅杨雨迪	《计算机工程》 CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料