针对机场鸟类识别过程中存在识别难度较大、准确率较低等问题,该文提出了一种改进ResNet的SA-ResNet(SPDConv and Attention-ResNet)模型。模型采用空间到深度卷积(SPDConv)替换ResNet18中的跨步卷积层,避免信息的过度丢失,增强模型特...针对机场鸟类识别过程中存在识别难度较大、准确率较低等问题,该文提出了一种改进ResNet的SA-ResNet(SPDConv and Attention-ResNet)模型。模型采用空间到深度卷积(SPDConv)替换ResNet18中的跨步卷积层,避免信息的过度丢失,增强模型特征提取能力;使用高效通道注意力(ECA)改进卷积块注意力模块(CBAM),并提出高效卷积块注意力模块(ECBAM)进一步提高模型识别准确率。通过自建的ADB-20机场鸟类数据集验证表明,SA-ResNet模型的准确率达到了95.9%,能够很好地识别机场鸟类,为机场开展鸟击防范工作奠定基础。展开更多
文摘针对机场鸟类识别过程中存在识别难度较大、准确率较低等问题,该文提出了一种改进ResNet的SA-ResNet(SPDConv and Attention-ResNet)模型。模型采用空间到深度卷积(SPDConv)替换ResNet18中的跨步卷积层,避免信息的过度丢失,增强模型特征提取能力;使用高效通道注意力(ECA)改进卷积块注意力模块(CBAM),并提出高效卷积块注意力模块(ECBAM)进一步提高模型识别准确率。通过自建的ADB-20机场鸟类数据集验证表明,SA-ResNet模型的准确率达到了95.9%,能够很好地识别机场鸟类,为机场开展鸟击防范工作奠定基础。
