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
融合多标签损失与双注意力的U型视网膜血管分割
被引量：
6
1
作者
梁礼明
冯骏
+1 位作者
彭仁杰
曾嵩
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2023年第1期75-86,共12页
眼底视网膜血管的检测与分析对许多眼科疾病的诊断具有重要意义.为了更精确、健全地提取视网膜血管的特征信息,提出一种融合多标签损失与双注意力的U型网络模型.首先在编码部分通过空间金字塔池化提供多尺度输入,在U型网络内部融入双注...
眼底视网膜血管的检测与分析对许多眼科疾病的诊断具有重要意义.为了更精确、健全地提取视网膜血管的特征信息,提出一种融合多标签损失与双注意力的U型网络模型.首先在编码部分通过空间金字塔池化提供多尺度输入,在U型网络内部融入双注意残差块提升网络对特征信息的提取能力;其次,在网络底部嵌入特征相似模块以捕获特征之间的远程依赖关系,为了有效地抑制眼底图像中的噪声影响和捕获血管多尺度信息,在跳连部分分别引入双路径注意门机制与稠密的空洞空间金字塔池化模块;最后,在解码部分设置侧输出层生成与层级对应的局部预测图像,并配合多标签Dice损失函数进行训练.在DRIVE,STARE和CHASE_DB1数据集上进行实验,灵敏度分别为80.54%,83.97%和82.40%,受试者曲线下的面积(AUC)分别为98.07%,98.50%和98.36%.
展开更多
关键词
视网膜血管
多标签损失
U型网络
双注意残差块
远程依赖关系
双路径注意门机制
在线阅读
下载PDF
职称材料
基于多标签补偿的改进YOLOv8鱼体病害检测方法
被引量：
2
2
作者
汤永华
张志鹏
+3 位作者
林森
刘兴通
荣弘扬
王腾川
《农业工程学报》
CSCD
北大核心
2024年第23期227-234,共8页
为解决智能渔业养殖中鱼体病害因特征不明显,目标较小导致病鱼清理效率低的问题,该研究提出一种改进YOLOv8鱼体病害检测模型MS-YOLOv8。首先,采用空间到深度(SPD,space-to-depth)卷积替换YOLOv8网络模型中的跨行卷积,优化下采样,增加图...
为解决智能渔业养殖中鱼体病害因特征不明显,目标较小导致病鱼清理效率低的问题,该研究提出一种改进YOLOv8鱼体病害检测模型MS-YOLOv8。首先,采用空间到深度(SPD,space-to-depth)卷积替换YOLOv8网络模型中的跨行卷积,优化下采样,增加图像信息利用率;同时,提出一种多标签边界框损失函数MLIoU(multi-label IoU),在正负样本匹配时保留能够覆盖多个病害区域的边界框,补偿模型在最优化IoU损失时,模型分类能力下降的问题,进而减少小目标病害的漏检率。试验结果表明,YOLOv8使用MLIoU时,在简单、一般、复杂3种难度鱼体病害的检测中,检出率比使用最新方法Inner-SIoU提高11.13、3.76、12.38个百分点,相比原模型提高6.27、0.66、3.01个百分点。MS-YOLOv8均值平均精度相比YOLOv5n、YOLOv7、YOLOv8n分别高出12.05、10.18、11.15个百分点,总检出率95.36%,每秒检测图像132帧,综合性能表现出明显优势。在实际检测中,MS-YOLOv8可以抑制相似于鱼体病害的背景干扰,且能够针对草鱼、鲢鱼等多种鱼类进行伤病检测,表现出优异的泛化能力和鲁棒性。研究结果可为渔业中病鱼清理工作提供有效技术支持。
展开更多
关键词
鱼体
病害
深度学习
YOLOv8
多标签损失
空间到深度卷积
在线阅读
下载PDF
职称材料
题名
融合多标签损失与双注意力的U型视网膜血管分割
被引量：
6
1
作者
梁礼明
冯骏
彭仁杰
曾嵩
机构
江西理工大学电气工程与自动化学院
出处
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2023年第1期75-86,共12页
基金
国家自然科学基金(51365017,61463018)
江西省自然科学基金面上项目(20192BAB205084)
江西省教育厅科学技术研究重点项目(GJJ170491)。
文摘
眼底视网膜血管的检测与分析对许多眼科疾病的诊断具有重要意义.为了更精确、健全地提取视网膜血管的特征信息,提出一种融合多标签损失与双注意力的U型网络模型.首先在编码部分通过空间金字塔池化提供多尺度输入,在U型网络内部融入双注意残差块提升网络对特征信息的提取能力;其次,在网络底部嵌入特征相似模块以捕获特征之间的远程依赖关系,为了有效地抑制眼底图像中的噪声影响和捕获血管多尺度信息,在跳连部分分别引入双路径注意门机制与稠密的空洞空间金字塔池化模块;最后,在解码部分设置侧输出层生成与层级对应的局部预测图像,并配合多标签Dice损失函数进行训练.在DRIVE,STARE和CHASE_DB1数据集上进行实验,灵敏度分别为80.54%,83.97%和82.40%,受试者曲线下的面积(AUC)分别为98.07%,98.50%和98.36%.
关键词
视网膜血管
多标签损失
U型网络
双注意残差块
远程依赖关系
双路径注意门机制
Keywords
retinal blood vessels
multi-label loss
U-shaped network
dual attention residual block
long-range dependency
dual-pathway attention gates mechanism
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
基于多标签补偿的改进YOLOv8鱼体病害检测方法
被引量：
2
2
作者
汤永华
张志鹏
林森
刘兴通
荣弘扬
王腾川
机构
沈阳工业大学辽宁省机器视觉重点实验室
沈阳理工大学自动化与电气工程学院
出处
《农业工程学报》
CSCD
北大核心
2024年第23期227-234,共8页
基金
辽宁省应用基础研究计划(2023JH2/101300225)。
文摘
为解决智能渔业养殖中鱼体病害因特征不明显,目标较小导致病鱼清理效率低的问题,该研究提出一种改进YOLOv8鱼体病害检测模型MS-YOLOv8。首先,采用空间到深度(SPD,space-to-depth)卷积替换YOLOv8网络模型中的跨行卷积,优化下采样,增加图像信息利用率;同时,提出一种多标签边界框损失函数MLIoU(multi-label IoU),在正负样本匹配时保留能够覆盖多个病害区域的边界框,补偿模型在最优化IoU损失时,模型分类能力下降的问题,进而减少小目标病害的漏检率。试验结果表明,YOLOv8使用MLIoU时,在简单、一般、复杂3种难度鱼体病害的检测中,检出率比使用最新方法Inner-SIoU提高11.13、3.76、12.38个百分点,相比原模型提高6.27、0.66、3.01个百分点。MS-YOLOv8均值平均精度相比YOLOv5n、YOLOv7、YOLOv8n分别高出12.05、10.18、11.15个百分点,总检出率95.36%,每秒检测图像132帧,综合性能表现出明显优势。在实际检测中,MS-YOLOv8可以抑制相似于鱼体病害的背景干扰,且能够针对草鱼、鲢鱼等多种鱼类进行伤病检测,表现出优异的泛化能力和鲁棒性。研究结果可为渔业中病鱼清理工作提供有效技术支持。
关键词
鱼体
病害
深度学习
YOLOv8
多标签损失
空间到深度卷积
Keywords
fish body
diseases
deep learning
YOLOv8
multi-label loss
space-to-depth 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
作者
出处
发文年
被引量
操作
1
融合多标签损失与双注意力的U型视网膜血管分割
梁礼明
冯骏
彭仁杰
曾嵩
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2023
6
在线阅读
下载PDF
职称材料
2
基于多标签补偿的改进YOLOv8鱼体病害检测方法
汤永华
张志鹏
林森
刘兴通
荣弘扬
王腾川
《农业工程学报》
CSCD
北大核心
2024
2
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
