检索结果-维普期刊中文期刊服务平台

深度学习中单阶段金属表面缺陷检测算法优化综述被引量：8: 1; 作者董甲东郭庆虎 +1 位作者陈琳桑飞虎《计算机工程与应用》北大核心 2025年第4期72-89,共18页; 金属表面的划痕、凹坑、波纹等缺陷会直接影响产品的质量。传统的检测方法耗时耗力,准确性受限于操作人员的经验和技能。近年来,深度学习技术在图像识别领域的突破性进展为金属表面缺陷检测提供了新的解决方案,基于深度学习的金属表面... 展开更多; 关键词金属表面缺陷检测深度学习单阶段目标检测算法模型优化; 在线阅读下载PDF 职称材料

基于深度学习的单阶段目标检测算法研究综述被引量：53: 2; 作者刘俊明孟卫华《航空兵器》 CSCD 北大核心 2020年第3期44-53,共10页; 近年来,深度学习技术推动目标检测算法取得了突破式进展。基于深度学习的目标检测算法可分为两阶段检测算法和单阶段检测算法。相比两阶段检测算法,单阶段检测算法的结构简单、计算高效,同时具备不错的检测精度,在实时目标检测领域中具... 展开更多; 关键词深度学习单阶段目标检测算法特征提取特征融合 ANCHOR 损失函数人工智能; 在线阅读下载PDF 职称材料

基于优化预测定位的单阶段目标检测算法被引量：7: 3; 作者张娜戚旭磊 +3 位作者包晓安吴彪涂小妹金瑜婷《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2022年第4期783-794,共12页; 针对单阶段多边框检测(SSD)算法中存在目标定位不准确和小目标检测精度不高的问题,提出基于优化预测定位的单阶段目标检测算法EL-SSD.通过双向加权特征金字塔将原SSD预测特征图特征融合,对输出特征图进行特征位置信息解码后进行特征通... 展开更多; 关键词目标检测单阶段多边框检测算法特征融合非极大值抑制定位置信度; 在线阅读下载PDF 职称材料

基于深度学习的轻量化目标检测算法被引量：15: 4; 作者宋爽张悦 +2 位作者张琳娜岑翼刚李浥东《系统工程与电子技术》 EI CSCD 北大核心 2022年第9期2716-2725,共10页; 深度卷积神经网络在各个领域都表现出很好的效果,与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题,提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNe... 展开更多; 关键词目标检测卷积神经网络轻量化网络单阶段检测算法可变形卷积; 在线阅读下载PDF 职称材料

基于深度学习的目标检测算法综述被引量：71: 5; 作者吴雪宋晓茹 +1 位作者高嵩陈超波《传感器与微系统》 CSCD 北大核心 2021年第2期4-7,18,共5页; 视觉目标检测作为计算机视觉的一个重要研究方向,已广泛应用于人脸检测、行人检测和无人驾驶等领域。随着大数据、计算机硬件技术和深度学习算法在图像分类中的突破性进展,基于深度学习的目标检测算法成为主流。本文综述了基于深度学习... 展开更多; 关键词目标检测卷积神经网络两阶段目标检测算法单阶段目标检测算法; 在线阅读下载PDF 职称材料

基于特征优化与深层次融合的目标检测算法被引量：5: 6; 作者谢誉包梓群 +3 位作者张娜吴彪涂小妹包晓安《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2022年第12期2403-2415,共13页; 针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD.SCFE模块基于局部空间特征增强和全局通道特征增强... 展开更多; 关键词目标检测深层次特征金字塔网络(DFPN) 空间通道特征增强(SCFE) 样本加权训练单阶段多边框检测算法(SSD); 在线阅读下载PDF 职称材料

基于改进型YOLOv3的SAR图像舰船目标检测被引量：15: 7; 作者陈冬句彦伟《系统工程与电子技术》 EI CSCD 北大核心 2021年第4期937-943,共7页; 传统合成孔径雷达(synthetic aperture radar,SAR)图像目标检测的方法依赖于人工设计特征且易受复杂背景干扰,泛化能力较差。深度学习的方法可以自动提取特征且具有良好的抗干扰特性,对于未来雷达智能感知具有重要意义。不同于其他只能... 展开更多; 关键词合成孔径雷达舰船检测单阶段检测算法可变形卷积卷积神经网络; 在线阅读下载PDF 职称材料

题名深度学习中单阶段金属表面缺陷检测算法优化综述被引量：8: 1; 作者董甲东郭庆虎陈琳桑飞虎; 机构安庆师范大学电子工程与智能制造学院; 出处《计算机工程与应用》北大核心 2025年第4期72-89,共18页; 基金国家自然科学基金(62205005) 安徽省高校科研计划重大项目(2024AH040174)。; 文摘金属表面的划痕、凹坑、波纹等缺陷会直接影响产品的质量。传统的检测方法耗时耗力,准确性受限于操作人员的经验和技能。近年来,深度学习技术在图像识别领域的突破性进展为金属表面缺陷检测提供了新的解决方案,基于深度学习的金属表面缺陷检测方法在检测精度和速度方面取得了显著成效。为了便于金属表面缺陷检测算法的研究,综合分析了单阶段深度学习算法在金属表面缺陷检测中的优化方法及应用。介绍了目前常用的金属表面缺陷数据集和算法评价指标;总结了目标检测算法的发展史以及单阶段目标检测算法的基本概念和典型模型;从数据增强、特征的提取与融合、锚框优化三个方面,对比总结了不同算法不同优化方式的优缺点,并研究了金属表面缺陷检测算法的轻量化;从多模态融合、大数据应用技术、现实与虚拟结合三个方面对金属表面缺陷检测算法的未来研究方向进行了展望。; 关键词金属表面缺陷检测深度学习单阶段目标检测算法模型优化; Keywords metal surface defect detection deep learning one-stage target detection algorithm model optimization; 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

题名基于深度学习的单阶段目标检测算法研究综述被引量：53: 2; 作者刘俊明孟卫华; 机构中国空空导弹研究院航空制导武器航空科技重点实验室; 出处《航空兵器》 CSCD 北大核心 2020年第3期44-53,共10页; 文摘近年来,深度学习技术推动目标检测算法取得了突破式进展。基于深度学习的目标检测算法可分为两阶段检测算法和单阶段检测算法。相比两阶段检测算法,单阶段检测算法的结构简单、计算高效,同时具备不错的检测精度,在实时目标检测领域中具有较高的研究和应用价值。本文首先回顾了单阶段检测算法的发展历史,分析总结了相关算法的优缺点,然后归纳提出了单阶段目标检测算法的通用框架,接着对框架中的特征提取模块和检测器进行了深入分析,指出了其对算法性能的影响,最后对单阶段检测算法的发展趋势进行了展望。; 关键词深度学习单阶段目标检测算法特征提取特征融合 ANCHOR 损失函数人工智能; Keywords deep learning single-stage object detection algorithm feature extraction feature fusion anchor loss function artificial intelligence; 分类号 TJ760 [兵器科学与技术—武器系统与运用工程] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于优化预测定位的单阶段目标检测算法被引量：7: 3; 作者张娜戚旭磊包晓安吴彪涂小妹金瑜婷; 机构浙江理工大学信息学院浙江广厦建设职业技术大学信息学院; 出处《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2022年第4期783-794,共12页; 基金国家自然科学基金资助项目(6207050141) 浙江省重点研发计划资助项目(2020C03094)。; 文摘针对单阶段多边框检测(SSD)算法中存在目标定位不准确和小目标检测精度不高的问题,提出基于优化预测定位的单阶段目标检测算法EL-SSD.通过双向加权特征金字塔将原SSD预测特征图特征融合,对输出特征图进行特征位置信息解码后进行特征通道权重再分配,提升了特征语义信息,捕获了跨通道位置信息.通过构建分类置信度及额外的定位置信度级联聚类对预测框进行非极大值抑制,提高在检测阶段对选择目标的定位精度.实验结果表明,EL-SSD算法在PASCAL VOC2007上的平均检测均值达到79.8%,比原SSD算法提高了2.6%.在COCO数据集上的精度达到29.4%,比原SSD算法提高了3.5%,在检测图片上的目标定位效果及小目标检测效果明显优于SSD,适用于需要高定位性能的实时应用场景.; 关键词目标检测单阶段多边框检测算法特征融合非极大值抑制定位置信度; Keywords object detection single shot multi-box detector algorithm feature fusion non-maximum suppression localization confidence; 分类号 TP391 [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

题名基于深度学习的轻量化目标检测算法被引量：15: 4; 作者宋爽张悦张琳娜岑翼刚李浥东; 机构北京交通大学计算机与信息技术学院现代信息科学与网络技术北京市重点实验室贵州大学机械工程学院; 出处《系统工程与电子技术》 EI CSCD 北大核心 2022年第9期2716-2725,共10页; 基金国家重点研发计划(2019YFB2204200) 国家自然科学基金(62062021,61872034,62011530042) +2 种基金北京市自然科学基金(4202055) 贵州省科技计划(黔科中引地[2021]4023)资助课题。; 文摘深度卷积神经网络在各个领域都表现出很好的效果,与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题,提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合,提升网络特征提取能力,并利用融合后的网络对原始YOLOv5的骨干网络进行重构,显著降低了网络的计算量和内存占用,同时,引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明,所提出的模型在保持检测精度的前提下,将参数量和模型尺寸降低了90%,计算量仅为原始模型的18%,实现了检测模型的轻量化,更有助于在计算资源有限和对实时性要求高的场景中部署。; 关键词目标检测卷积神经网络轻量化网络单阶段检测算法可变形卷积; Keywords object detection convolution neural network lightweight network single stage detection algorithm deformable convolution; 分类号 TP391 [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

题名基于深度学习的目标检测算法综述被引量：71: 5; 作者吴雪宋晓茹高嵩陈超波; 机构西安工业大学电子信息工程学院; 出处《传感器与微系统》 CSCD 北大核心 2021年第2期4-7,18,共5页; 基金陕西省重点研发计划资助项目(2018KW-022,2017KW-009)。; 文摘视觉目标检测作为计算机视觉的一个重要研究方向,已广泛应用于人脸检测、行人检测和无人驾驶等领域。随着大数据、计算机硬件技术和深度学习算法在图像分类中的突破性进展,基于深度学习的目标检测算法成为主流。本文综述了基于深度学习目标检测算法的研究现状和发展方向。首先介绍卷积神经网络(CNN)的研究进展和经典模型;然后对目前主流的基于深度学习的两阶段目标检测算法和单阶段目标检测算法的发展、改进和不足进行归纳;最后对深度学习目标检测两种主流算法进行比较并做出总结和未来展望。; 关键词目标检测卷积神经网络两阶段目标检测算法单阶段目标检测算法; Keywords target detection convolutional neural network(CNN) two-stage target detection algorithm one-stage target detection algorithm; 分类号 TP391 [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

题名基于特征优化与深层次融合的目标检测算法被引量：5: 6; 作者谢誉包梓群张娜吴彪涂小妹包晓安; 机构浙江理工大学计算机科学与技术学院浙江理工大学理学院浙江广厦建设职业技术大学建筑工程学院; 出处《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2022年第12期2403-2415,共13页; 基金浙江省重点研发计划项目(2020C03094) 浙江省教育厅一般科研项目(Y202147659) +2 种基金浙江省基础公益研究计划项目(QY19E050003)。; 文摘针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD.SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度.在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本.实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.; 关键词目标检测深层次特征金字塔网络(DFPN) 空间通道特征增强(SCFE) 样本加权训练单阶段多边框检测算法(SSD); Keywords object detection deep feature pyramid network(DFPN) spatial and channel feature enhancement(SCFE) sample weighted training single-stage multi-box detector algorithm(SSD); 分类号 TP391 [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

题名基于改进型YOLOv3的SAR图像舰船目标检测被引量：15: 7; 作者陈冬句彦伟; 机构南京电子技术研究所; 出处《系统工程与电子技术》 EI CSCD 北大核心 2021年第4期937-943,共7页; 基金装发十三五预研项目(414150480303)资助课题。; 文摘传统合成孔径雷达(synthetic aperture radar,SAR)图像目标检测的方法依赖于人工设计特征且易受复杂背景干扰,泛化能力较差。深度学习的方法可以自动提取特征且具有良好的抗干扰特性,对于未来雷达智能感知具有重要意义。不同于其他只能对固定区域进行检测的常规卷积神经网络,本文提出一种改进型YOLOv3的SAR图像舰船目标检测方法,该方法基于舰船尺寸与形状自适应采样的可变形卷积、ResNet50变体特征提取器和ShuffleNetv2轻量化思想等设计YOLOv3模型。通过SSDD数据集验证,在检测效果方面,相较于原YOLOv3模型,平均精度从93.21%提高至96.94%,检测概率从95.51%提高至97.75%;在模型大小方面,轻量化设计模型仅为原YOLOv3模型的八分之一,可实现嵌入式的使用。; 关键词合成孔径雷达舰船检测单阶段检测算法可变形卷积卷积神经网络; Keywords synthetic aperture radar(SAR) ship detection YOLOv3 deformable convolution convolutional neural network; 分类号 TP751 [自动化与计算机技术—检测技术与自动化装置]; 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	深度学习中单阶段金属表面缺陷检测算法优化综述	董甲东郭庆虎陈琳桑飞虎	《计算机工程与应用》北大核心	2025	8	在线阅读下载PDF 职称材料
2	基于深度学习的单阶段目标检测算法研究综述	刘俊明孟卫华	《航空兵器》 CSCD 北大核心	2020	53	在线阅读下载PDF 职称材料
3	基于优化预测定位的单阶段目标检测算法	张娜戚旭磊包晓安吴彪涂小妹金瑜婷	《浙江大学学报（工学版）》 EI CAS CSCD 北大核心	2022	7	在线阅读下载PDF 职称材料
4	基于深度学习的轻量化目标检测算法	宋爽张悦张琳娜岑翼刚李浥东	《系统工程与电子技术》 EI CSCD 北大核心	2022	15	在线阅读下载PDF 职称材料
5	基于深度学习的目标检测算法综述	吴雪宋晓茹高嵩陈超波	《传感器与微系统》 CSCD 北大核心	2021	71	在线阅读下载PDF 职称材料
6	基于特征优化与深层次融合的目标检测算法	谢誉包梓群张娜吴彪涂小妹包晓安	《浙江大学学报（工学版）》 EI CAS CSCD 北大核心	2022	5	在线阅读下载PDF 职称材料
7	基于改进型YOLOv3的SAR图像舰船目标检测	陈冬句彦伟	《系统工程与电子技术》 EI CSCD 北大核心	2021	15	在线阅读下载PDF 职称材料