期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进YOLOv10的喷码微小字符精确定位算法
1
作者 操振 余朝刚 +2 位作者 靳胜洁 王帅鹏 朱文良 《计算机工程与应用》 北大核心 2025年第7期153-164,共12页
为解决自动化生产领域物品包装表面喷码字符因微小尺寸及特征模糊而导致的检测定位精度差问题,将YOLOv10n作为基线网络提出一种针对特征模糊小目标检测的精确定位算法(YOLO-DLW)。使用细节信息提取卷积(detail information extraction c... 为解决自动化生产领域物品包装表面喷码字符因微小尺寸及特征模糊而导致的检测定位精度差问题,将YOLOv10n作为基线网络提出一种针对特征模糊小目标检测的精确定位算法(YOLO-DLW)。使用细节信息提取卷积(detail information extraction convolution,DIEConv)模块替换基线网络中所有的跨步卷积模块,避免其导致的细节特征丢失问题,提高网络对小目标特征的提取能力。引入低级特征融合检测层,减少基线网络在下采样过程中造成的小目标特征损失。在颈部网络采用加权混合融合金字塔网络(weighted hybrid fusion pyramid network,WHFPN)结构,并结合内容引导注意力(content-guided attention,CGA)机制,有效提升特征层间的信息融合效率和网络对关键信息的提取能力。与基线模型相比,YOLO-DLW算法应用在编织袋小目标字符定位数据集上,准确率、召回率、mAP@0.5和mAP@0.5:0.95分别提高了7.3、8.2、3.9和3.3个百分点,有效解决基线模型对字符区域的误检和漏检问题。 展开更多
关键词 小目标检测 精确定位 YOLOv10n 细节信息提取卷积 加权混合融合金字塔 内容引导注意力
在线阅读 下载PDF
小波DehazeFormer网络的道路交通图像去雾
2
作者 夏平 李子怡 +2 位作者 雷帮军 王雨蝶 唐庭龙 《光学精密工程》 EI CAS CSCD 北大核心 2024年第12期1915-1928,共14页
针对道路交通雾图像对比度低、细节丢失、模糊和失真的问题,提出了一种小波DehazeFormer模型的道路交通图像去雾方法。为提升模型去雾能力,构建了编解码结构的小波DehazeFormer网络,编码器以DehazeFormer与选择性核特征融合模块(Selecti... 针对道路交通雾图像对比度低、细节丢失、模糊和失真的问题,提出了一种小波DehazeFormer模型的道路交通图像去雾方法。为提升模型去雾能力,构建了编解码结构的小波DehazeFormer网络,编码器以DehazeFormer与选择性核特征融合模块(Selective kernel feature fusion,SKFF)级联作为骨干网络的基本单元,编码部分由三级这样的基本单元构成,以融合图像的原始信息和去雾后的信息,更好地捕获雾图中关键特征;中间特征层采用局部残差结构,并加入卷积注意力机制(Convolutional Block Attention Module,CBAM),对不同级别的特征赋予不同权重,同时融入内容引导注意力混合方案(Content-guided Attention based Mixup Fusion Scheme,CGAFusion),通过学习空间权重来调整特征;解码部分由DehazeFormer和SKFF构成,采用逐点卷积,在保证网络性能同时,减少网络的参数量;跳跃连接引入小波变换,对不同尺度的特征图进行小波分析,获取不同尺度的高、低频特征,放大交通雾图的细节使得复原图像保留纹理;最后,将原始图像和经解码后输出的特征图融合,获取更多的细节信息。实验结果表明,本文方法相比于基线DehazeFormer网络,其PSNR指标在公开数据集中提升1.32以上,在合成数据集中提升0.56,SSIM指标提升了0.015以上,MSE值有较大幅度降低,下降了23.15以上;Entropy指标提升0.06以上。本文去雾算法对提升交通雾图像的对比度、降低雾图模糊和失真及细节丢失等方面均表现出优良的性能,有助于后续道路交通的智能视觉监控与管理。 展开更多
关键词 交通图像去雾 小波变换 选择性核特征融合 内容引导注意力 DehazeFormer
在线阅读 下载PDF
基于注意力的双分支图像去雾算法
3
作者 潘月 许光宇 《电光与控制》 2025年第10期84-89,共6页
针对现有图像去雾算法未考虑到雾所在的位置信息以及多采用单路径进行去雾等问题,提出一种基于注意力的双分支图像去雾算法。去雾网络使用特征提取模块获取图像的多尺度特征传递给双分支网络;设计的双分支网络是分别含有通道注意力和位... 针对现有图像去雾算法未考虑到雾所在的位置信息以及多采用单路径进行去雾等问题,提出一种基于注意力的双分支图像去雾算法。去雾网络使用特征提取模块获取图像的多尺度特征传递给双分支网络;设计的双分支网络是分别含有通道注意力和位置注意力模块的U-Net架构,关注通道和位置相关特征;使用内容递归引导注意力模块混合精细双分支网络复原的特定特征,以确保信息的交互有助于保留和增强图像中的细节从而生成高分辨率的图像特征;最后,利用一个特征融合模块将复原特征、有雾图像以及初始去雾图像的信息有效聚合生成最终的无雾图像。实验结果表明,在RESIDE数据集上PSNR、SSIM和CIEDE2000评价指标均优于对比算法。 展开更多
关键词 图像去雾 深度学习 内容递归引导注意力 双分支网络
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部