检索结果-维普期刊中文期刊服务平台

基于多分支残差注意力网络的水下图像增强: 1; 作者程竹明李佳轩 +2 位作者黄三傲韩立超王培珍《光学精密工程》北大核心 2025年第7期1141-1151,共11页; 针对水下图像存在的颜色失真、对比度低、细节模糊等问题,提出一种基于多分支残差注意力网络的水下图像增强算法。该网络在编码器和解码器的前后分别引入多分支色彩增强模块,用来自适应校正图像的颜色偏差,在网络颈部设计了残差注意力模... 展开更多; 关键词水下图像增强深度学习残差注意力模块多分支色彩增强模块注意力机制联合损失函数; 在线阅读下载PDF 职称材料

MBRNet:融合残差连接的多分支手写字符识别网络: 2; 作者李钢陈太兵 +2 位作者杨之博范屹张玲《计算机工程与应用》 CSCD 北大核心 2024年第24期149-157,共9页; 脱机手写中文字符识别(handwritten Chinese character recognition,HCCR)在计算机视觉领域一直是一个巨大的挑战。相比传统方法,基于深度学习的网络通过训练大量数据在识别任务中取得了差异化的效果,但识别效果依旧处于发展过程中。基... 展开更多; 关键词手写中文字符识别(HCCR) 多分支残差模块 DW卷积残差连接多分支权重; 在线阅读下载PDF 职称材料

基于多模块关系网络的2D足迹分类被引量：1: 3; 作者张艳吴洛天 +3 位作者王年孟树林胡飞然鲁玺龙《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第6期66-76,共11页; 由于足迹数据的样本量有限,类间差小、类内距大,一般方法难以获取有效的足迹特征表示,导致足迹分类准确度不高。针对双模态2D足迹分类问题,文中提出一种基于小样本学习的多模块网络算法(MulRN),该算法在嵌入单元与关系单元使用了多个模... 展开更多; 关键词小样本学习多模块关系网络 2D足迹分类多分支模块注意力机制特征提取能力特征度量能力; 在线阅读下载PDF 职称材料

注意力引导多任务学习的前列腺癌盆腔淋巴结转移预测: 4; 作者张志远胡冀苏 +3 位作者张跃跃钱旭升周志勇戴亚康《上海交通大学学报》北大核心 2025年第8期1216-1224,共9页; 基于前列腺癌原发灶的术前磁共振影像定量特征预测盆腔淋巴结转移(PLNM)是治疗方案制定的重要参考依据.然而,现有预测方法对肿瘤原发灶内部的异质性信息提取不足,导致提取的图像定量特征与PLNM关联性较弱.针对这一问题,提出一种以肿瘤... 展开更多; 关键词前列腺癌盆腔淋巴结转移多任务学习多分支各向异性大核注意力模块多尺度特征交互融合注意力模块多参数磁共振; 在线阅读下载PDF 职称材料

基于融合MBAM与YOLOv5的PCB缺陷检测方法被引量：8: 5; 作者胡欣胡帅 +3 位作者马丽军司利云肖剑袁晔《图学学报》 CSCD 北大核心 2024年第1期47-55,共9页; 随着电子信息产业迅速发展,PCB行业作为电子信息产业的基础,其产品质量对后续生产的电子产品有着决定性影响。针对PCB缺陷目标较小,缺陷类型多,特征不明显,在实际生产过程中易产生误检、漏检等问题,提出了一种多分支注意力MBAM模块方法,... 展开更多; 关键词目标检测 PCB缺陷小目标缺陷 YOLOv5 多分支注意力模块; 在线阅读下载PDF 职称材料

题名基于多分支残差注意力网络的水下图像增强: 1; 作者程竹明李佳轩黄三傲韩立超王培珍; 机构安徽工业大学电气与信息工程学院; 出处《光学精密工程》北大核心 2025年第7期1141-1151,共11页; 基金国家自然科学基金资助项目(No.51574004) 安徽省高校自然科学基金重点项目(No.KJ2019A0085)。; 文摘针对水下图像存在的颜色失真、对比度低、细节模糊等问题,提出一种基于多分支残差注意力网络的水下图像增强算法。该网络在编码器和解码器的前后分别引入多分支色彩增强模块,用来自适应校正图像的颜色偏差,在网络颈部设计了残差注意力模块,以减少编码器和解码器之间的特征丢失,从而增强图像细节;最后,构造了联合特征损失函数,确保网络能够学习到图像的丰富特征,在改善图像色彩的同时可以有效保留边缘信息。分别利用LUSI和EVUP两种测试集与6种先进方法进行了对比,实验结果表明:通过本文算法增强后的图像在主观感受和客观评价上均取得了最优指标,在LUSI测试集上,平均峰值信噪比(PSNR)和结构相似度(SSIM)分别达到27.420 dB,0.885,与次优方法相比提高了3.9%和0.8%;在EVUP测试集上,PSNR和SSIM分别达到26.159 dB和0.851,与次优方法相比提高了3.3%和1.3%。该算法具有良好的图像质量增强效果与稳定性,可以为水下工程中的图像分析提供一种有效的方法。; 关键词水下图像增强深度学习残差注意力模块多分支色彩增强模块注意力机制联合损失函数; Keywords underwater image enhancement deep learning residual attention module multi-branch color enhancement module attention mechanism joint loss function; 分类号 TP394.1 [自动化与计算机技术—计算机应用技术] TH691.9 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名MBRNet:融合残差连接的多分支手写字符识别网络: 2; 作者李钢陈太兵杨之博范屹张玲; 机构太原理工大学软件学院; 出处《计算机工程与应用》 CSCD 北大核心 2024年第24期149-157,共9页; 基金山西省中央引导地方专项基金(YDZJSX2021C004,YDZJSX20231C004) 山西省自然科学基金(20210302124554)。; 文摘脱机手写中文字符识别(handwritten Chinese character recognition,HCCR)在计算机视觉领域一直是一个巨大的挑战。相比传统方法,基于深度学习的网络通过训练大量数据在识别任务中取得了差异化的效果,但识别效果依旧处于发展过程中。基于此,结合DW卷积和残差连接设计了一种多分支残差模块,该模块通过DW卷积以较小的内存和参数量为代价来加深网络深度,增强网络的特征提取能力;再通过残差连接抑制网络梯度问题和退化问题;另外,提出了一种多分支权重算法,来改善多分支残差模块中各分支的权重分配问题;并将六个以多分支残差模块为主的结构线性连接,组成HCCR识别网络。该模型在CASIA-HWDB1.0、CASIA-HWDB1.1、ICDAR2013数据集上的识别准确率分别达到了97.77%、97.30%、97.64%,表现出高精度的识别效果。; 关键词手写中文字符识别(HCCR) 多分支残差模块 DW卷积残差连接多分支权重; Keywords handwritten Chinese character recognition(HCCR) multi-branch residual block DW convolution residual connection multi-branch weighting; 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

题名基于多模块关系网络的2D足迹分类被引量：1: 3; 作者张艳吴洛天王年孟树林胡飞然鲁玺龙; 机构安徽大学电子信息工程学院公安部物证鉴定中心; 出处《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第6期66-76,共11页; 基金国家重点研发计划项目(2018YFC0807302) 国家自然科学基金资助项目(61772032) 安徽高校自然科学研究重点项目(KJ2019A0027)。; 文摘由于足迹数据的样本量有限,类间差小、类内距大,一般方法难以获取有效的足迹特征表示,导致足迹分类准确度不高。针对双模态2D足迹分类问题,文中提出一种基于小样本学习的多模块网络算法(MulRN),该算法在嵌入单元与关系单元使用了多个模块来提高网络的特征提取能力与特征度量能力,使用具有多分支结构的Inception模块与MRFB模块提升网络的特征提取能力,采用空间注意力模块与通道注意力模块提取出区分度更高的足迹特征,从而更好地实现足迹分类;并在miniImageNet、Omniglot等小样本数据集与双模态2D足迹数据集上进行了实验。实验结果表明,该方法在小样本数据集上具有较好的表现,同时在双模态2D足迹数据集上也达到了不错的效果,特别在右脚双模态数据集上的5-way 5-shot实验中达到了95.41%的分类准确率。; 关键词小样本学习多模块关系网络 2D足迹分类多分支模块注意力机制特征提取能力特征度量能力; Keywords few-shot learning multiplE-module relational network 2D footprint classification multi-branch mo-dule attention module character extraction ability character measurement ability; 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

题名注意力引导多任务学习的前列腺癌盆腔淋巴结转移预测: 4; 作者张志远胡冀苏张跃跃钱旭升周志勇戴亚康; 机构徐州医科大学医学影像学院中国科学院苏州生物医学工程技术研究所苏州大学附属第二医院; 出处《上海交通大学学报》北大核心 2025年第8期1216-1224,共9页; 基金中国科学院青年创新促进会项目(2021324) 苏州市卫健委临床重点病种诊疗专项(LCZX202001) 苏州市科技计划项目(SKY2022003)。; 文摘基于前列腺癌原发灶的术前磁共振影像定量特征预测盆腔淋巴结转移(PLNM)是治疗方案制定的重要参考依据.然而,现有预测方法对肿瘤原发灶内部的异质性信息提取不足,导致提取的图像定量特征与PLNM关联性较弱.针对这一问题,提出一种以肿瘤分割任务为辅助任务的注意力引导多任务学习网络用于PLNM预测.首先,在肿瘤分割网络中,提出多分支各向异性大核注意力模块,通过不同分支和各向异性大卷积核的融合扩大的感受野以有效捕获肿瘤的局部和全局信息.其次,在PLNM预测网络中,设计多尺度特征交互融合注意力模块,对多尺度特征进行层次化融合筛选.在320例数据集的实验中,所提方法的精度召回曲线下面积值和受试者操作特征曲线下面积值分别为(85.44±2.04)%和(91.86±2.18)%,优于经典的单任务分类方法和多任务方法.; 关键词前列腺癌盆腔淋巴结转移多任务学习多分支各向异性大核注意力模块多尺度特征交互融合注意力模块多参数磁共振; Keywords prostate cancer pelvic lymph node metastasis(PLNM) multi-task learning multi-branch anisotropic large kernel attention multi-scale feature interaction fusion attention multiparametric magnetic resonance imaging(mpMRI); 分类号 TP391 [自动化与计算机技术—计算机应用技术] R318 [医药卫生—生物医学工程]; 在线阅读下载PDF 职称材料

题名基于融合MBAM与YOLOv5的PCB缺陷检测方法被引量：8: 5; 作者胡欣胡帅马丽军司利云肖剑袁晔; 机构长安大学能源与电气工程学院国网甘肃省电力公司天水电力公司长安大学电子与控制工程学院西安交通大学电子与信息学部; 出处《图学学报》 CSCD 北大核心 2024年第1期47-55,共9页; 基金陕西省秦创原“科学家+工程师”队伍建设项目(2024QGY-KXJ-161) 西安市重点产业链项目(23ZDCYJSGG0013-2023) 宁夏回族自治区重点研发计划(2022BEG03072)。; 文摘随着电子信息产业迅速发展,PCB行业作为电子信息产业的基础,其产品质量对后续生产的电子产品有着决定性影响。针对PCB缺陷目标较小,缺陷类型多,特征不明显,在实际生产过程中易产生误检、漏检等问题,提出了一种多分支注意力MBAM模块方法,在3个不同维度对特征图进行关注,以增强特征提取的能力,对缺陷区域给予更多的注意力表示。通过改进YOLOv5结构,将MBAM与YOLOv5网络结合,有效的提升了对PCB中小目标的检测性能。最后通过在网络不同位置添加MBAM模块进行对比实验,选取了最佳的添加位置。通过在PCB缺陷数据集上的实验结果表明,改进后的PCB缺陷检测算法具有良好的检测性能,优于其他对比算法,最终的AP达到了96.7%,对比标准YOLOv5的94.7%提高了2个百分点,其他项指标均有涨点,在保持检测速度基本不变的情况下,精准地识别PCB缺陷类型。; 关键词目标检测 PCB缺陷小目标缺陷 YOLOv5 多分支注意力模块; Keywords target detection PCB defects small target defects YOLOv5 multi-branch attention module; 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	作者	出处	发文年	被引量	操作
1	基于多分支残差注意力网络的水下图像增强	程竹明李佳轩黄三傲韩立超王培珍	《光学精密工程》北大核心	2025	0	在线阅读下载PDF 职称材料
2	MBRNet:融合残差连接的多分支手写字符识别网络	李钢陈太兵杨之博范屹张玲	《计算机工程与应用》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
3	基于多模块关系网络的2D足迹分类	张艳吴洛天王年孟树林胡飞然鲁玺龙	《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心	2021	1	在线阅读下载PDF 职称材料
4	注意力引导多任务学习的前列腺癌盆腔淋巴结转移预测	张志远胡冀苏张跃跃钱旭升周志勇戴亚康	《上海交通大学学报》北大核心	2025	0	在线阅读下载PDF 职称材料
5	基于融合MBAM与YOLOv5的PCB缺陷检测方法	胡欣胡帅马丽军司利云肖剑袁晔	《图学学报》 CSCD 北大核心	2024	8	在线阅读下载PDF 职称材料