-
题名基于上下文信息增强与特征细化的绝缘子破损检测方法
被引量：13
- 1
-
-
作者
李利荣
张云良
陈鹏
丁江
张国治
巩朋成
-
机构
太阳能高效利用及储能运行控制湖北省重点实验室(湖北工业大学)
新能源及电网装备安全监测湖北省工程研究中心(湖北工业大学)
武汉工程大学计算机科学与工程学院
-
出处
《高电压技术》
EI
CAS
CSCD
北大核心
2023年第8期3405-3414,共10页
-
基金
国家自然科学基金(62071172)
新能源及电网装备安全监测湖北省工程研究中心开放基金(HBSKF202121)。
-
文摘
快速准确地检测出绝缘子缺陷是电网维护的重要任务,也极具挑战性。针对目前主流绝缘子缺陷检测算法检测速度慢且模型复杂度较高的问题,提出一种基于上下文信息增强与特征细化的绝缘子破损检测方法。该方法采用轻量化的ECA-Ghost Net作为骨干网络,骨干网络输出端嵌入轻量化的自适应上下文信息增强模块,为绝缘子破损缺陷注入多尺度上下文信息;然后在特征金字塔输出端引入快速且高效的特征细化模块,用于增强绝缘子破损缺陷特征。在该文构建的数据集上进行了多组对比实验,结果表明该文提出的方法均值平均精度可达约97.05%,检测速度约为63帧/s,模型计算量和参数量分别为1.46 G和1.68 M,各项性能指标均优于Retina Net、YOLOv4和YOLOF等主流算法。该文研究结果可为无人机嵌入式应用提供参考。
-
关键词
绝缘子
破损检测
上下文信息增强
特征细化
深度学习
-
Keywords
insulators
breakage detection
context augmentation
feature refinement
deep learning
-
分类号
TM216
[一般工业技术—材料科学与工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名融合注意力和上下文信息的遥感图像小目标检测算法
- 2
-
-
作者
刘赏
周煜炜
代娆
董林芳
刘猛
-
机构
天津财经大学理工学院
河北省水文工程地质勘查院(河北省遥感中心)
-
出处
《计算机应用》
北大核心
2025年第1期292-300,共9页
-
基金
河北省财政项目(13000023P00F2D410374D)
天津市科技计划项目(22ZLZKZF00480)。
-
文摘
对多尺度的遥感图像进行小目标检测时,基于深度学习的目标检测算法容易出现误检和漏检的情况。这是因为此类算法的特征提取模块进行了多次的下采样操作;而且未能根据不同类别、不同尺度的目标关注所需的上下文信息。为了解决该问题,提出一种融合注意力和上下文信息的遥感图像小目标检测算法ACM-YOLO(Attention-Context-Multiscale YOLO)。首先,应用细粒度的查询感知稀疏注意力以减少小目标特征信息的丢失,从而避免漏检;其次,设计局部上下文增强(LCE)函数以更好地关注不同类别的遥感目标所需的上下文信息,从而避免误检;最后,使用加权双向特征金字塔网络(BiFPN)强化特征融合模块对遥感图像小目标的多尺度特征融合能力,从而改善算法检测效果。在DOTA数据集和NWPU VHR-10数据集上进行对比实验和消融实验,以验证所提算法的有效性和泛化性。实验结果表明,在2个数据集上所提算法的平均精确率均值(mAP)分别达到了77.33%和96.12%,而相较于YOLOv5算法,召回率分别提升了10.00和7.50个百分点。可见,所提算法能有效提升mAP和召回率,减少误检和漏检。
-
关键词
遥感图像
小目标检测
稀疏采样
局部上下文信息增强
多尺度特征融合
-
Keywords
remote sensing image
small target detection
sparse sampling
local contextual information enhancement
multi-scale feature fusion
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于增强上下文信息长短期记忆网络的弹道轨迹预测
被引量：13
- 3
-
-
作者
任济寰
吴祥
薄煜明
吴盘龙
何山
-
机构
南京理工大学自动化学院
-
出处
《兵工学报》
EI
CAS
CSCD
北大核心
2023年第2期462-471,共10页
-
基金
国家自然科学基金项目(62103192)
中国博士后科学基金项目(2021M691597)
中央高校基本科研业务费专项资金资助项目(30922010710)。
-
文摘
根据己方观测数据进行弹道轨迹预测是现代陆军实施精准打击的重要一环。针对现有弹道轨迹预测方法存在精度不足且实时性不强的问题,提出一种新的增强上下文信息长短期记忆(CE-LSTM)网络轨迹预测模型,进行弹道轨迹的长期精准预测。在LSTM网络可逼近任意非线性函数且具备长期记忆能力的基础上,构建隐藏层输出混合单元提取短时上下文信息,进一步逼近弹体运动状态;通过建立不同条件下的弹道轨迹的数据集,训练得到具备最优超参数的CE-LSTM网络。实验结果表明,与弹道微分方程组的数值积分解法以及高斯混合模型相比,CE-LSTM网络在预测的精度上优于其他2种方法,预测速度提高了3~10倍,且具备较强的泛化能力。
-
关键词
轨迹预测
增强上下文信息
长短期记忆网络
弹道微分方程组
高斯混合模型
-
Keywords
trajectory prediction
context-enhanced
long short-term memory network
ballistic differential equations
gaussian mixture model
-
分类号
TJ302
[兵器科学与技术—火炮、自动武器与弹药工程]
-
-
题名基于CAFPN和细化双头解耦的遥感图像目标检测
被引量：4
- 4
-
-
作者
熊娟
张孙杰
阚亚亚
陈家豪
-
机构
上海理工大学光电信息与计算机工程学院
-
出处
《应用科学学报》
CAS
CSCD
北大核心
2023年第6期989-1003,共15页
-
基金
上海市晨光学者基金(No.18CG52)资助。
-
文摘
针对遥感图像背景的复杂性和图中目标尺寸小、方向任意性导致漏检或错检的问题,提出了一种新颖的目标检测算法。首先,提出一种基于上下文信息增强的特征金字塔网络。在特征提取阶段,自适应融合不同感受野,获得具有丰富语义信息的特征,减少小目标的信息流失。然后,在回归网络中,使用中心点偏移回归机制实现旋转框的检测,降低冗余锚框带来的计算复杂度。最后,结合双头网络将分类和回归特征解耦,通过注意力机制和极化函数引导的特征细化模块构建适应各自任务的重要特征,使网络能准确地检测目标。在遥感数据集DOTA、HRSC2016和UCAS_AOD上验证网络的有效性,对比于Faster RCNN算法,该算法在3个数据集上获得了8.48%、7.60%和3.10%的精度提升,实现了高性能的遥感图像目标检测。
-
关键词
遥感图像
上下文信息增强
注意力机制
极化函数
特征细化
-
Keywords
remote sensing image
context augmentation
attention mechanism
polarization function
feature refinement
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
