基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测 被引量：3

1

作者 尹向雷 解永芳 +1 位作者 屈少鹏 苏妮 《电力系统保护与控制》 EI CSCD 北大核心 2024年第20期177-187,共11页

针对复杂场景下绝缘子缺陷检测存在小目标识别困难的问题,提出基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测方法。首先,算法引入动态蛇形卷积,构造出符合绝缘子特点的特征提取模块,提高对绝缘子及其缺陷的特征提取能力。然后,采用“空... 针对复杂场景下绝缘子缺陷检测存在小目标识别困难的问题,提出基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测方法。首先,算法引入动态蛇形卷积,构造出符合绝缘子特点的特征提取模块,提高对绝缘子及其缺陷的特征提取能力。然后,采用“空间-深度”的非跨步卷积,减少融合过程中的特征丢失。最后,为进一步降低模型复杂度,对模型进行通道剪枝,减少冗余部分。在绝缘子缺陷数据集上进行实验对比,与基准算法相比,绝缘子的破损、污闪以及自爆缺陷的识别率分别提升了5.7%、2.4%和0.8%,改进算法在绝缘子的检测率上提升了0.5%。同时平均精度均值较改进前提升了2.3%,模型大小降低了50.07%。实验结果表明,改进算法在提高绝缘子缺陷小目标检测精度的同时,有效降低了模型大小,对绝缘子缺陷检测的研究具有一定的参考和应用价值。 展开更多

关键词 绝缘子 缺陷检测 YOLOv7 动态蛇形卷积 “空间-深度”的非跨步卷积

在线阅读 下载PDF 职称材料

SOSNet:一种非对称编码器-解码器结构的非小细胞肺癌CT图像分割模型 被引量：9

2

作者 谢娟英 张凯云 《电子学报》 EI CAS CSCD 北大核心 2024年第3期824-837,共14页

非小细胞肺癌严重损害人类健康,早期非小细胞肺癌CT(Computed Tomography)图像中的肿瘤结节体积小,不易发现,极易造成漏诊和误诊.为了精确分割非小细胞肺癌CT图像中的小体积肿瘤结节,本文提出SOSNet(Small Object Segmentation Networks... 非小细胞肺癌严重损害人类健康,早期非小细胞肺癌CT(Computed Tomography)图像中的肿瘤结节体积小,不易发现,极易造成漏诊和误诊.为了精确分割非小细胞肺癌CT图像中的小体积肿瘤结节,本文提出SOSNet(Small Object Segmentation Networks)自动分割模型,利用ResNet(Residual Network)基础层和空洞卷积构造非对称编码器-解码器结构作为分割主网络,利用轴向取反注意力模块ARA(Axial Reverse Attention)逐步擦除背景中对分割有影响的结构,再使用结构细化模块SR(Structure Refinement)对主网络输出的粗略特征图进行结构细化,从而实现非小细胞肺癌肿瘤结节分割.在非小细胞肺癌公开数据集的实验测试表明,本文提出的小目标自动分割模型SOSNet可以有效分割出非小细胞肺癌CT图像中的小体积肿瘤结节,其mDice(mean-Dice)、mIoU(mean Intersection over Union)、Sensitivity、F1、Specificity、平均绝对误差MAE(Mean Absolute Error)均优于当前最先进的小目标分割模型CaraNet(Context Axial Reverse Attention Network). 展开更多

关键词 小目标分割 非小细胞肺癌 非对称编码器-解码器 结构细化 轴向取反注意力 CT图像 深度学习 卷积

在线阅读 下载PDF 职称材料

基于深度学习的空间非合作目标特征检测与识别 被引量：13

3

作者 李林泽 张涛 《智能系统学报》 CSCD 北大核心 2020年第6期1154-1162,共9页

针对空间非合作目标检测与识别任务的智能化要求,本文将深度学习方法Mask R-CNN(mask regionbased convolutional neural network)应用于任务中,并借鉴R-FCN(region-based fully convolutional networks)和Lighthead R-CNN(light-head r... 针对空间非合作目标检测与识别任务的智能化要求,本文将深度学习方法Mask R-CNN(mask regionbased convolutional neural network)应用于任务中,并借鉴R-FCN(region-based fully convolutional networks)和Lighthead R-CNN(light-head region-based convolutional neural network)对其进行优化改进,提升检测速度,以满足空间任务实时性要求。实验结果表明,与传统的Mask R-CNN相比,改进的Mask R-CNN可缩短20%的检测时间。针对深度神经网络需要大样本数据集进行训练的特点,本文基于迁移学习提出搭建虚拟环境进行样本采集,构造空间目标特征检测与识别数据集的方法。实验结果表明,网络在虚拟环境生成的数据集上可以很好地学习到相应特征,从而具备迁移到实际任务的能力。 展开更多

关键词 空间非合作目标 特征检测与识别 深度学习 区域全卷积网络 头部轻量化卷积神经网络 改进的Mask R-CNN 数据集构建 迁移学习

在线阅读 下载PDF 职称材料

基于SSE-YOLO的红外小目标检测算法

4

作者 大妹 姜麟 +1 位作者 陶友凤 胡淼 《红外技术》 北大核心 2025年第4期475-483,共9页

针对红外成像面积小、分辨率低、易被遮挡导致漏检、检测精度低等问题,本文提出了一种基于SSE-YOLO的红外小目标检测算法。首先在YOLOv8s的基础上引入深度非跨步卷积模块,避免检测过程中细粒度信息的丢失并提高特征学习的效率;其次在特... 针对红外成像面积小、分辨率低、易被遮挡导致漏检、检测精度低等问题,本文提出了一种基于SSE-YOLO的红外小目标检测算法。首先在YOLOv8s的基础上引入深度非跨步卷积模块,避免检测过程中细粒度信息的丢失并提高特征学习的效率;其次在特征提取阶段增加专门针对小目标的检测层,以提升模型对红外小目标的提取能力;此外设计了一种高效的双注意力机制(efficient dual-attention mechanism,EDAM),自适应地学习每个通道和空间位置的重要性,从而更好地捕捉图像中的关键信息;然后使用Shape_IoU损失函数来聚焦边框自身形状与自身尺度,进一步提高边框回归的精确度;最后在FLIR数据集和艾睿光电公司拍摄的数据集上进行了一系列实验。结果表明:本文所提方法在两种数据集上的平均精度分别达到了89.8%与92.1%,相比于原始的模型分别提高了3.3%与2.9%。 展开更多

关键词 YOLOv8s 红外小目标检测 深度非跨步卷积 Shape_IoU损失函数 双注意力机制

在线阅读 下载PDF 职称材料

基于时序生成对抗网络的居民用户非侵入式负荷分解 被引量：3

5

作者 罗平 朱振宇 +3 位作者 樊星驰 孙博宇 张帆 吕强 《电力系统自动化》 EI CSCD 北大核心 2024年第2期71-81,共11页

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。... 现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。 展开更多

关键词 非侵入式负荷分解 对抗生成网络 降维网络 卷积神经网络-双向门控循环单元 深度神经网络

在线阅读 下载PDF 职称材料

基于改进YOLOv8n算法的城市空间混行交通参与者检测模型

6

作者 周军超 陈鑫 +1 位作者 高建杰 章杰 《中国安全科学学报》 CSCD 北大核心 2024年第12期178-186,共9页

为提升智能网联汽车和交通监测系统对交通参与者的识别精度和检测速度,及时应对城市空间混行交通环境中的安全隐患,提出一种基于改进YOLOv8n算法的城市空间混行交通参与者检测模型。首先,在数据输入阶段利用几何变换和像素变换策略来防... 为提升智能网联汽车和交通监测系统对交通参与者的识别精度和检测速度,及时应对城市空间混行交通环境中的安全隐患,提出一种基于改进YOLOv8n算法的城市空间混行交通参与者检测模型。首先,在数据输入阶段利用几何变换和像素变换策略来防止过度拟合,提高鲁棒性和泛化性;其次,使用空间到深度的非跨行卷积(SPD-Conv)模块代替所有原始卷积层,提高对低分辨率小目标的特征提取能力;同时,在颈部网络融合结构中加入轻量级坐标注意力机制(CA)模块,在几乎不添加任何计算开销的同时提高对关键信息的识别精度;然后,用边界框损失函数有效交并比(EIoU)替代原损失函数,使模型获得更卓越的收敛速度与识别稳定性;最后,利用平台公开和自建融合的交通参与者数据集(BNS)进行消融和对比试验,运用自动驾驶试验平台进行实景实时检测。结果表明:相比于基线模型YOLOv8n,改进模型SEC-YOLO的每秒传输帧数(FPS)和平均精度均值(mAP)分别提高了7.3%和3.2%;与主流模型对比,mAP和FPS性能值最佳;在自动驾驶试验平台上的实景检测平均准确率为95%。SEC-YOLO算法模型对城市交通参与者的检测准确率更高,鲁棒性和实时性更强。 展开更多

关键词 YOLOv8n 空间混行 交通参与者 检测模型 空间到深度的非跨行卷积(SPD-Conv) 坐标注意力机制(CA)

在线阅读 下载PDF 职称材料

前视声呐图像小目标智能感知与跟踪算法

7

作者 贾昊明 于晓阳 周天 《哈尔滨工程大学学报》 北大核心 2025年第1期129-137,共9页

针对传统深度学习模型对小目标感知能力有限的难题,本研究首先提出基于注意力机制的YOLOv5_cs检测模型,在此基础上通过声呐图像公开数据集开展模型预训练,利用迁移学习来增强网络对目标的特征提取能力。联合DeepSORT应用于多目标跟踪任... 针对传统深度学习模型对小目标感知能力有限的难题,本研究首先提出基于注意力机制的YOLOv5_cs检测模型,在此基础上通过声呐图像公开数据集开展模型预训练,利用迁移学习来增强网络对目标的特征提取能力。联合DeepSORT应用于多目标跟踪任务中,通过对真实水池实验中采集的多目标跟踪数据集的测试结果分析表明:本研究提出的算法相比于传统YOLOv5联合DeepSORT算法,多项评价指标得到提升,其中多目标跟踪准确度指标提升了4.85%,多目标跟踪精度指标提升了0.95%,身份识别精度得分指标提升了2.66%。同时提出的算法较好地解决了目标形态发生变化条件下目标检测效果不佳导致的错跟、漏跟等问题,具有较高实际应用潜力。 展开更多

关键词 前视声呐图像 多目标跟踪 深度学习 注意力机制模块 空间转深度 非跨步卷积 迁移学习 YOLOv5_cs

在线阅读 下载PDF 职称材料

混合扩张卷积和注意力机制的路面裂缝检测 被引量：6

8

作者 瞿中 李明 《计算机工程与设计》 北大核心 2023年第8期2425-2431,共7页

针对复杂背景下路面裂缝检测困难的问题,提出一种基于混合扩张卷积和空间-通道注意力机制的路面裂缝检测算法。基于改进的U-Net网络,在编码阶段,使用空间-通道注意力机制增强裂缝特征,抑制非裂缝特征;在网络中间部分,使用混合扩张卷积... 针对复杂背景下路面裂缝检测困难的问题,提出一种基于混合扩张卷积和空间-通道注意力机制的路面裂缝检测算法。基于改进的U-Net网络,在编码阶段,使用空间-通道注意力机制增强裂缝特征,抑制非裂缝特征;在网络中间部分,使用混合扩张卷积实现在不增加额外模块的前提下增大网络的感受野;在解码阶段,融合多层次和多尺度特征使最终预测结果更接近路面真实情况。实验结果表明,所提算法能够快速准确地对路面裂缝进行检测,具有较强的鲁棒性。 展开更多

关键词 裂缝检测 深度学习 卷积神经网络 编码-解码结构 混合扩张卷积 空间-通道注意力机制 多尺度特征融合

在线阅读 下载PDF 职称材料

混合深度CNN联合注意力的高光谱图像分类 被引量：9

9

作者 王燕 吕艳萍 《计算机科学与探索》 CSCD 北大核心 2023年第2期385-395,共11页

深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出... 深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力(HDC-Attention)的模型。首先利用核主成分分析(KPCA)和小批量K均值(MBK-means)对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分的光谱-空间特征提取。最后利用光谱-空间注意力,重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA、AA、Kappa分类指标均超过99%。 展开更多

关键词 高光谱图像分类 核主成分分析(KPCA) 卷积神经网络(CNN) 光谱-空间注意力机制 深度学习

在线阅读 下载PDF 职称材料

面向高光谱图像分类的局部Gabor卷积神经网络

10

作者 王燕 王丽 《计算机科学》 CSCD 北大核心 2020年第6期151-156,共6页

针对高光谱图像特征利用不足的问题,提出了一种新的基于空谱联合特征的高光谱图像分类方法。该方法首先利用主成分分析(Principal Component Analysis,PCA)和线性判别分析(Linear Discriminant Analysis,LDA)对高光谱图像进行组合降维;... 针对高光谱图像特征利用不足的问题,提出了一种新的基于空谱联合特征的高光谱图像分类方法。该方法首先利用主成分分析(Principal Component Analysis,PCA)和线性判别分析(Linear Discriminant Analysis,LDA)对高光谱图像进行组合降维;其次引入Gabor核,设计了一种基于Gabor核的卷积(Local Gabor Convolutional,LGC)层;最后基于LGC层设计了一个新的卷积神经网络(Local Gabor Convolutional Neural Network,LGCNN)进行分类。在Indian Pines和Salinas Scene数据集上对所提方法进行验证,并将其与其他经典分类方法进行比较。实验结果表明,该方法不仅能大幅度减少可学习的参数,降低模型复杂度,而且具备较好的分类性能,其总体精度达到99%,平均分类精度达到98%以上,Kappa系数达到98%以上。 展开更多

关键词 高光谱图像分类 GABOR滤波 空间-光谱信息 卷积神经网络 深度学习

在线阅读 下载PDF 职称材料

基于P300特征的脑-机接口解码算法研究综述 被引量：2

11

作者 刘邈 林超 +3 位作者 韩锦 肖晓琳 许敏鹏 明东 《信号处理》 CSCD 北大核心 2023年第8期1367-1385,共19页

脑-机接口是脑与外部设备连接进而实现信息交换技术,核心是发挥人脑的优势,直接通过人脑与外部环境进行高效互动,目前已成为世界各国的研究热点。P300是由特定刺激范式激发的事件相关电位中的一个典型成分,最初研究发现,当人脑受到某些... 脑-机接口是脑与外部设备连接进而实现信息交换技术,核心是发挥人脑的优势,直接通过人脑与外部环境进行高效互动,目前已成为世界各国的研究热点。P300是由特定刺激范式激发的事件相关电位中的一个典型成分,最初研究发现,当人脑受到某些小概率事件刺激时,会在脑电信号中出现一个潜伏期约为300 ms的正向波峰。由于P300成分具有刺激特异性,因此该特性已被广泛用来研究注意、辨认等认知功能,基于P300特征的脑电范式也已经成为三大主流范式之一。近年来,结合P300和脑-机接口的具有实用功能的应用大量涌现,与此相关的解码算法也被提出并不断改进,这为人们研究P300脑-机接口提供了便利。然而,P300脑-机接口的相关解码算法缺乏系统性总结,各类算法之间的特点也尚未得到明确比较。该文依据P300成分主要在顶枕区响应的特点,提出了基于非空间信息的P300脑电解码算法;依据P300成分在不同脑区响应特征不同的特点,提出了基于空间信息的P300脑电解码算法;依据近几年信息技术快速发展,深度学习已不断在P300脑-机接口中应用的特点,提出了基于深度学习的新型P300脑电解码算法;从以上三个角度入手,总结近年来P300脑-机接口解码算法的研究进展,并根据现有的P300公开数据集对算法性能进行比较,阐明各算法优缺点及应用范围,最后再进一步探讨现存的典型问题以及未来可能的研究方向。 展开更多

关键词 P300 脑-机接口 空间信息 非空间信息 深度学习

在线阅读 下载PDF 职称材料

基于可感知网络模型的多尺度特征图像重构研究

12

作者 舒忠 万行花 +1 位作者 赵华菊 吕琼瑶 《印刷与数字媒体技术研究》 CAS 北大核心 2024年第3期222-236,共15页

为重点解决深度重构模型多尺度特征表示不足和自适应性处理能力不强问题,本研究设计了压缩感知多尺度图像重构深度网络模型。以引入深度卷积神经网络模型提取图像特征为前提,利用空间金字塔池化提高多尺度特征描述能力,设计噪声滤波器... 为重点解决深度重构模型多尺度特征表示不足和自适应性处理能力不强问题,本研究设计了压缩感知多尺度图像重构深度网络模型。以引入深度卷积神经网络模型提取图像特征为前提,利用空间金字塔池化提高多尺度特征描述能力,设计噪声滤波器强化噪声控制,改进非局部神经网络结构以提高模型的自适应性能。对比实验结果表明,本研究设计的图像深度重构模块,压缩编码后解码重构图像的方差、变异系数和信噪比控制良好;图像相位一致性特征和梯度特征质量评价较高;在采样率为50%~60%时,峰值信噪比值最高;初始图像和解码重构图像之间的相对范数l_(2)误差在0.16左右,峰值信噪比大于46dB,图像余弦相似度评价的余弦值为0.91左右、余弦夹角值为0.13°左右,特征相似性为0.80左右,结构相似比值为0.86左右,说明该模型提取的图像多尺度特征准确性和精细性较高,深度重构模块自适应性较强,误差控制准确,组成模块之间实现了高度融合。 展开更多

关键词 压缩感知 图像重构 深度卷积神经网络 非局部卷积神经网络 空间金字塔池化

在线阅读 下载PDF 职称材料