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
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于树冠分割算法的城市林木覆盖率计算方法
1
作者
毕卓
邱铖
+2 位作者
展召敏
矫桂娥
陈一民
《计算机应用与软件》
北大核心
2025年第6期210-217,共8页
城市环境下的树冠覆盖率的高效测量对于环境监管和城市治理非常重要。提出一种结合深度学习和单头自注意力机制(Single-Head Self-Attention,SHSA)通过树冠分割算法来自动计算城市树冠覆盖率的方法。使用无人机航拍获取高分辨率RGB图像...
城市环境下的树冠覆盖率的高效测量对于环境监管和城市治理非常重要。提出一种结合深度学习和单头自注意力机制(Single-Head Self-Attention,SHSA)通过树冠分割算法来自动计算城市树冠覆盖率的方法。使用无人机航拍获取高分辨率RGB图像构建数据集;优化改进YOLOv8和YOLOv11两种分割算法,再根据分割结果计算覆盖面积,并与树冠真实覆盖面积作对比。实验数据表明,YOLOv8相较于YOLOv11具有更好的分割能力,但训练时间长于YOLOv11。在搭载单头自注意力机制后,两种算法的精度均有提高,且训练时间也显著减少,YOLOv8的精度平均提高了0.01346,并随着权重复杂度的增加,可减少的训练时间也越加显著。同时,YOLOv8在高分辨率RGB图像的推理结果均具有更优良的结果,也优于YOLOv11。
展开更多
关键词
树冠分割
YOLOv8
YOLOv11
单头自注意力
在线阅读
下载PDF
职称材料
MBFE-DETR:多尺度边界特征增强下的无人机目标检测算法
2
作者
张晞
赖惠成
+4 位作者
姜迪
汤静雯
高古学
袁婷婷
聂源
《计算机工程与应用》
北大核心
2025年第17期89-101,共13页
针对无人机视角下背景复杂、小目标比例较高且样本不平衡等问题,提出一种基于改进RT-DETR的无人机目标检测算法MBFE-DETR。设计一种基于C2f和单头自注意力模块的轻量化主干网络,降低模型参数量的同时提升网络的特征提取能力。提出多尺...
针对无人机视角下背景复杂、小目标比例较高且样本不平衡等问题,提出一种基于改进RT-DETR的无人机目标检测算法MBFE-DETR。设计一种基于C2f和单头自注意力模块的轻量化主干网络,降低模型参数量的同时提升网络的特征提取能力。提出多尺度边界特征增强协同网络MBFECN,通过其特有的多尺度边界特征增强机制和高效特征融合策略,解决了原模型在保持小目标边界细节方面的不足。引入Focaler-MPDIoU考虑框的位置匹配关系,同时通过线性区间映射重构原有IoU损失,使模型在复杂场景下的定位效果更好。针对样本不平衡的问题,采用新的分类损失函数ESVLoss,对分类损失值进行分段加权调整,并结合指数移动平均机制对权重进行动态平滑更新,使模型更具适应性。实验结果表明,在VisDrone2019-DET和DOTAv1.0数据集上,MBFE-DETR算法的mAP50分别提升3.9和2.9个百分点,同时参数量减少了21.6%。
展开更多
关键词
无人机目标检测
RT-DETR
单头自注意力
边界特征增强
在线阅读
下载PDF
职称材料
复杂背景下钢材表面缺陷检测算法
3
作者
邱永峰
黄萱
+1 位作者
袁鑫攀
李威
《机械设计与制造》
北大核心
2025年第10期292-297,共6页
针对复杂背景下钢材表面缺陷检测中存在特征提取不足、参数量大和检测精度低等问题,基于YOLOv8n提出了MHLC-YOLOv8算法,旨在提升检测精度的同时,降低模型的计算量和参数量。首先,设计了CSH-C2f模块,替代原有C2f模块。基于单头自注意力...
针对复杂背景下钢材表面缺陷检测中存在特征提取不足、参数量大和检测精度低等问题,基于YOLOv8n提出了MHLC-YOLOv8算法,旨在提升检测精度的同时,降低模型的计算量和参数量。首先,设计了CSH-C2f模块,替代原有C2f模块。基于单头自注意力机制和卷积门控线性单元,有效增强了对缺陷特征的提取能力,优化了对全局语义理解,提升了对低对比度缺陷的检测能力。其次,提出TLAD模块,通过动态自适应下采样融合多尺度信息,提高了对关键区域的检测能力,减少了背景干扰。最后,采用Inner-MPDIoU损失函数,优化了边界框回归精度,增强了对不规则缺陷的检测能力,加速模型收敛。实验结果表明,MHLC-YOLOv8在mAP上提升了3.4%,参数量减少至2.3M,计算量降至7.5G,有效平衡了检测精度与参数量,且具有良好的泛化能力,适用于复杂背景下的钢材表面缺陷检测任务。
展开更多
关键词
缺陷检测
YOLOv8
下采样
单头自注意力
机制
卷积门控线性单元
Triplet
Attention
在线阅读
下载PDF
职称材料
题名
基于树冠分割算法的城市林木覆盖率计算方法
1
作者
毕卓
邱铖
展召敏
矫桂娥
陈一民
机构
上海建桥学院信息技术学院
出处
《计算机应用与软件》
北大核心
2025年第6期210-217,共8页
基金
国家自然科学基金项目(42376194)
上海市科技创新行动计划项目(19511104502)。
文摘
城市环境下的树冠覆盖率的高效测量对于环境监管和城市治理非常重要。提出一种结合深度学习和单头自注意力机制(Single-Head Self-Attention,SHSA)通过树冠分割算法来自动计算城市树冠覆盖率的方法。使用无人机航拍获取高分辨率RGB图像构建数据集;优化改进YOLOv8和YOLOv11两种分割算法,再根据分割结果计算覆盖面积,并与树冠真实覆盖面积作对比。实验数据表明,YOLOv8相较于YOLOv11具有更好的分割能力,但训练时间长于YOLOv11。在搭载单头自注意力机制后,两种算法的精度均有提高,且训练时间也显著减少,YOLOv8的精度平均提高了0.01346,并随着权重复杂度的增加,可减少的训练时间也越加显著。同时,YOLOv8在高分辨率RGB图像的推理结果均具有更优良的结果,也优于YOLOv11。
关键词
树冠分割
YOLOv8
YOLOv11
单头自注意力
Keywords
Tree canopy segmentation
YOLOv8
YOLOv11
Single-head self-attention
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
MBFE-DETR:多尺度边界特征增强下的无人机目标检测算法
2
作者
张晞
赖惠成
姜迪
汤静雯
高古学
袁婷婷
聂源
机构
新疆大学计算机科学与技术学院
新疆大学新疆维吾尔自治区信号检测与处理重点实验室
淮阴工学院计算机与软件工程学院
出处
《计算机工程与应用》
北大核心
2025年第17期89-101,共13页
基金
新疆维吾尔自治区重点研发计划(2022B01008)。
文摘
针对无人机视角下背景复杂、小目标比例较高且样本不平衡等问题,提出一种基于改进RT-DETR的无人机目标检测算法MBFE-DETR。设计一种基于C2f和单头自注意力模块的轻量化主干网络,降低模型参数量的同时提升网络的特征提取能力。提出多尺度边界特征增强协同网络MBFECN,通过其特有的多尺度边界特征增强机制和高效特征融合策略,解决了原模型在保持小目标边界细节方面的不足。引入Focaler-MPDIoU考虑框的位置匹配关系,同时通过线性区间映射重构原有IoU损失,使模型在复杂场景下的定位效果更好。针对样本不平衡的问题,采用新的分类损失函数ESVLoss,对分类损失值进行分段加权调整,并结合指数移动平均机制对权重进行动态平滑更新,使模型更具适应性。实验结果表明,在VisDrone2019-DET和DOTAv1.0数据集上,MBFE-DETR算法的mAP50分别提升3.9和2.9个百分点,同时参数量减少了21.6%。
关键词
无人机目标检测
RT-DETR
单头自注意力
边界特征增强
Keywords
UAV object detection
RT-DETR
single-head self-attention
boundary feature enhancement
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
复杂背景下钢材表面缺陷检测算法
3
作者
邱永峰
黄萱
袁鑫攀
李威
机构
湖南工业大学计算机学院
湖南天桥嘉成智能科技有限公司
出处
《机械设计与制造》
北大核心
2025年第10期292-297,共6页
基金
湖南省自然科学基金面上项目(2022JJ30231)。
文摘
针对复杂背景下钢材表面缺陷检测中存在特征提取不足、参数量大和检测精度低等问题,基于YOLOv8n提出了MHLC-YOLOv8算法,旨在提升检测精度的同时,降低模型的计算量和参数量。首先,设计了CSH-C2f模块,替代原有C2f模块。基于单头自注意力机制和卷积门控线性单元,有效增强了对缺陷特征的提取能力,优化了对全局语义理解,提升了对低对比度缺陷的检测能力。其次,提出TLAD模块,通过动态自适应下采样融合多尺度信息,提高了对关键区域的检测能力,减少了背景干扰。最后,采用Inner-MPDIoU损失函数,优化了边界框回归精度,增强了对不规则缺陷的检测能力,加速模型收敛。实验结果表明,MHLC-YOLOv8在mAP上提升了3.4%,参数量减少至2.3M,计算量降至7.5G,有效平衡了检测精度与参数量,且具有良好的泛化能力,适用于复杂背景下的钢材表面缺陷检测任务。
关键词
缺陷检测
YOLOv8
下采样
单头自注意力
机制
卷积门控线性单元
Triplet
Attention
Keywords
Defect Detection
YOLOv8
Downsampling
Single-Head Self-Attention
Convolutional Gated Linear Unit
Triplet Attention
分类号
TH16 [机械工程—机械制造及自动化]
TP391.14 [自动化与计算机技术—计算机应用技术]
TP183 [自动化与计算机技术—控制理论与控制工程]
TG115 [金属学及工艺—物理冶金]
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
基于树冠分割算法的城市林木覆盖率计算方法
毕卓
邱铖
展召敏
矫桂娥
陈一民
《计算机应用与软件》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
MBFE-DETR:多尺度边界特征增强下的无人机目标检测算法
张晞
赖惠成
姜迪
汤静雯
高古学
袁婷婷
聂源
《计算机工程与应用》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
复杂背景下钢材表面缺陷检测算法
邱永峰
黄萱
袁鑫攀
李威
《机械设计与制造》
北大核心
2025
0
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
