期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于动态自适应通道注意力特征融合的小目标检测
1
作者
吴迪
赵品懿
+2 位作者
甘升隆
沈学军
万琴
《电子科技大学学报》
北大核心
2025年第2期221-232,共12页
针对小目标检测中卷积操作导致检测特征缺失和不同尺度语义隔阂的问题,提出一种基于动态自适应通道注意力特征融合的小目标检测方法。1)提出一种多尺度三角动态颈(Tri-Neck)网络结构,用于融合多尺度特征语义隔阂及弥补小目标特征缺失的...
针对小目标检测中卷积操作导致检测特征缺失和不同尺度语义隔阂的问题,提出一种基于动态自适应通道注意力特征融合的小目标检测方法。1)提出一种多尺度三角动态颈(Tri-Neck)网络结构,用于融合多尺度特征语义隔阂及弥补小目标特征缺失的问题。2)提出一种分组批量动态自适应通道注意力模块,增强弱语义小目标特征同时抑制无用信息,且在动态自适应通道注意力模块中设计新的激活函数和交并比损失函数,提升通道注意力表征能力。3)采用ResNet50作为骨干网络依次连接特征金字塔网络和Tri-Neck网络。实验结果表明,该方法在Pascal Voc 2007、Pascal Voc 2012上比YOLOv8算法mAP分别提升5.3%和6.2%,在MS COCO 2017数据集上AP和AP_S分别提升1.6%和2%,在SODA-D数据集上比YOLOv8算法AP提升0.9%。
展开更多
关键词
小目标检测
多尺度融合特征
特征金字塔
动态通道注意力
交并比损失函数
在线阅读
下载PDF
职称材料
改进YOLOv8的学生课堂行为识别算法:DMS-YOLOv8
被引量：
1
2
作者
陈晨
保文星
+2 位作者
陈旭
景永俊
李卫军
《计算机工程与应用》
CSCD
北大核心
2024年第24期222-234,共13页
针对智慧教室中存在前后排学生图像尺寸差异较大、后排小目标检测困难的问题,提出了一种改进YOLOv8的学生课堂行为识别方法:DMS-YOLOv8。结合CA注意力机制与深度卷积,提出了动态通道注意力卷积(DCAConv),能够动态调整通道权重,更灵敏地...
针对智慧教室中存在前后排学生图像尺寸差异较大、后排小目标检测困难的问题,提出了一种改进YOLOv8的学生课堂行为识别方法:DMS-YOLOv8。结合CA注意力机制与深度卷积,提出了动态通道注意力卷积(DCAConv),能够动态调整通道权重,更灵敏地捕获关键特征;引入多尺度卷积注意力(MSCA),通过元素乘法最大化挖掘多尺度卷积特征,增强对空间细节的关注;同时,构建了多尺度上下文融合(LCD)模块,通过卷积和自注意力机制,增强多尺度特征融合。增加小目标检测层,通过较大尺寸特征图的局部特征提取,显著提高模型对后排学生行为的识别能力。与基线模型YOLOv8n相比,该方法在自制学生行为数据集上的mAP50值提高了4.6个百分点,在VOC数据集上提高了18.7个百分点。该方法在学生课堂行为识别方面表现突出,可显著提高智慧教室学生课堂行为识别的准确率。
展开更多
关键词
学生行为识别
YOLOv8
目标检测
动态通道注意力
卷积
多尺度上下文融合
在线阅读
下载PDF
职称材料
题名
基于动态自适应通道注意力特征融合的小目标检测
1
作者
吴迪
赵品懿
甘升隆
沈学军
万琴
机构
湖南工程学院电气与信息工程学院
湖南大学机器人视觉感知与控制技术国家工程研究中心
出处
《电子科技大学学报》
北大核心
2025年第2期221-232,共12页
基金
国家重点研发计划(2020YFB1713600)
国家自然科学基金(62476084)
+2 种基金
湖南省教育厅重点项目(24A0528)
湖南省自然科学基金(2022JJ30198)
湖南省研究生科研创新项目(YC202213)。
文摘
针对小目标检测中卷积操作导致检测特征缺失和不同尺度语义隔阂的问题,提出一种基于动态自适应通道注意力特征融合的小目标检测方法。1)提出一种多尺度三角动态颈(Tri-Neck)网络结构,用于融合多尺度特征语义隔阂及弥补小目标特征缺失的问题。2)提出一种分组批量动态自适应通道注意力模块,增强弱语义小目标特征同时抑制无用信息,且在动态自适应通道注意力模块中设计新的激活函数和交并比损失函数,提升通道注意力表征能力。3)采用ResNet50作为骨干网络依次连接特征金字塔网络和Tri-Neck网络。实验结果表明,该方法在Pascal Voc 2007、Pascal Voc 2012上比YOLOv8算法mAP分别提升5.3%和6.2%,在MS COCO 2017数据集上AP和AP_S分别提升1.6%和2%,在SODA-D数据集上比YOLOv8算法AP提升0.9%。
关键词
小目标检测
多尺度融合特征
特征金字塔
动态通道注意力
交并比损失函数
Keywords
small object detection
multi-stage feature fusion
feature pyramid network
dynamic channelattention
iIOU loss
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TH701 [机械工程—精密仪器及机械]
在线阅读
下载PDF
职称材料
题名
改进YOLOv8的学生课堂行为识别算法:DMS-YOLOv8
被引量：
1
2
作者
陈晨
保文星
陈旭
景永俊
李卫军
机构
北方民族大学计算机科学与工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2024年第24期222-234,共13页
基金
宁夏科技研发重点项目(2021BEG03030)
国家民委图像图形与智能信息处理创新团队。
文摘
针对智慧教室中存在前后排学生图像尺寸差异较大、后排小目标检测困难的问题,提出了一种改进YOLOv8的学生课堂行为识别方法:DMS-YOLOv8。结合CA注意力机制与深度卷积,提出了动态通道注意力卷积(DCAConv),能够动态调整通道权重,更灵敏地捕获关键特征;引入多尺度卷积注意力(MSCA),通过元素乘法最大化挖掘多尺度卷积特征,增强对空间细节的关注;同时,构建了多尺度上下文融合(LCD)模块,通过卷积和自注意力机制,增强多尺度特征融合。增加小目标检测层,通过较大尺寸特征图的局部特征提取,显著提高模型对后排学生行为的识别能力。与基线模型YOLOv8n相比,该方法在自制学生行为数据集上的mAP50值提高了4.6个百分点,在VOC数据集上提高了18.7个百分点。该方法在学生课堂行为识别方面表现突出,可显著提高智慧教室学生课堂行为识别的准确率。
关键词
学生行为识别
YOLOv8
目标检测
动态通道注意力
卷积
多尺度上下文融合
Keywords
student behavior recognition
YOLOv8
object detection
dynamic channel attention convolution
multi-scale context fusion
分类号
TP391.41 [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
基于动态自适应通道注意力特征融合的小目标检测
吴迪
赵品懿
甘升隆
沈学军
万琴
《电子科技大学学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
改进YOLOv8的学生课堂行为识别算法:DMS-YOLOv8
陈晨
保文星
陈旭
景永俊
李卫军
《计算机工程与应用》
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
