期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
采用大核注意力机制的抗噪轴承故障诊断模型 被引量:3
1
作者 董荣 徐育为 +3 位作者 龙志宏 张益辉 钟坤 屠宇 《噪声与振动控制》 CSCD 北大核心 2023年第2期162-168,共7页
针对滚动轴承故障诊断模型易受轴承工作环境噪声以及运行数据样本数量影响的特点,提出一种并行大核注意力机制卷积神经网络(PLKACNN)。首先,将一维时间序列通过短时傅里叶变换转化成二维图像作为模型的输入,使用并行大核注意力机制实现... 针对滚动轴承故障诊断模型易受轴承工作环境噪声以及运行数据样本数量影响的特点,提出一种并行大核注意力机制卷积神经网络(PLKACNN)。首先,将一维时间序列通过短时傅里叶变换转化成二维图像作为模型的输入,使用并行大核注意力机制实现对不同维度的故障特征的提取;其次,将并行支路所得的特征图进行堆叠以获得整体信息,最终通过整合卷积层以及全连接层对整体信息进行学习以及分类。结果表明PLKACNN能够有效识别滚动轴承故障程度和故障位置,在带噪数据集上获得平均98.5%的准确率,并且在带噪小样本实验中获得92.81%平均准确率,证明所提PLKACNN具有较好的噪声鲁棒性以及泛化能力。 展开更多
关键词 故障诊断 滚动轴承 深度学习 短时傅里叶变换 大核注意力机制
在线阅读 下载PDF
改进YOLOX-S的智慧港口目标检测算法
2
作者 江鉴 袁志群 +2 位作者 高秀晶 何鸿正 谷子硕 《计算机工程与设计》 北大核心 2025年第7期2045-2053,共9页
针对单目摄像头在港口场景下面临目标检测算法识别不稳定的问题,提出一种改进YOLOX-S目标检测算法。引入大核注意力机制改进主干提取网络的特征输出与BottleNeck模块,提高算法特征提取的能力;引入中心点余弦距离损失改进目标框损失函数... 针对单目摄像头在港口场景下面临目标检测算法识别不稳定的问题,提出一种改进YOLOX-S目标检测算法。引入大核注意力机制改进主干提取网络的特征输出与BottleNeck模块,提高算法特征提取的能力;引入中心点余弦距离损失改进目标框损失函数,解决训练损失虽收敛但目标框仍抖动的问题;引入深度可分离卷积模块优化检测头模块,提高检测精度同时减少模型大小;实车录制智慧港口不同场景20 906张图片进行实验,其结果表明,改进算法与YOLOX-S相比,mAP@0.5:0.95提高5.1%,模型权重大小降低8.8%,TensorRT部署检测帧率为25.0 FPS。改进方法与实验结果可为智慧港口场景下的视觉感知算法开发提供参考。 展开更多
关键词 智慧港口 自动驾驶 目标检测 YOLOX-S算法 大核注意力机制 ACE-IOU损失 深度可分离卷积
在线阅读 下载PDF
面向复杂场景的改进YOLOv8军事目标识别算法
3
作者 程国建 沈守婷 白俊卿 《火力与指挥控制》 北大核心 2025年第8期47-55,共9页
为解决复杂战场环境下军事目标识别漏检、误检率高,精度低等问题,提出一种改进YOLOv8的LBI-YOLO军事目标识别算法。该算法引入大核选择性注意力机制以增强主干网络的特征提取能力,使模型能更好地关注重要区域;再采用BiFPN进行多尺度特... 为解决复杂战场环境下军事目标识别漏检、误检率高,精度低等问题,提出一种改进YOLOv8的LBI-YOLO军事目标识别算法。该算法引入大核选择性注意力机制以增强主干网络的特征提取能力,使模型能更好地关注重要区域;再采用BiFPN进行多尺度特征融合及用Inner-IoU损失替代传统IoU,加速模型收敛并提高识别精度。实验结果表明,改进后的算法在自建军事目标数据集下识别的mAP值提升了5.3%,FPS提升7.4%。 展开更多
关键词 YOLOv8 大核选择性注意力机制 BiFPN LBI-YOLO Inner-IoU
在线阅读 下载PDF
基于改进EfficientNetB0模型的葡萄叶部病害识别方法 被引量:6
4
作者 胡施威 邓建新 +1 位作者 王浩宇 邱林 《现代电子技术》 北大核心 2024年第15期73-80,共8页
为了高效、准确地识别葡萄叶部病害,文中提出了LE-EfficientNet模型,在EfficientNetB0模型基础上,采用大核注意力(LKA)机制替换原模型部分MBConv模块中的压缩激励网络(SENet),接着利用跳跃连接在最后一层卷积层后面融入高效通道注意力机... 为了高效、准确地识别葡萄叶部病害,文中提出了LE-EfficientNet模型,在EfficientNetB0模型基础上,采用大核注意力(LKA)机制替换原模型部分MBConv模块中的压缩激励网络(SENet),接着利用跳跃连接在最后一层卷积层后面融入高效通道注意力机制(ECA),结合三种注意力机制让网络更高效地提取葡萄叶部病害的局部重要信息,并引用Adam优化器替换原模型的SGD优化器,提升了分类模型的泛化能力。在PlantVillage葡萄叶部病害数据集上训练,结果表明,LE-EfficientNet模型相比原模型准确率提升了1.58%,总体精度提升了1.62%,召回率提升了1.46%,F_(1)分数提升了1.53%,并且参数量仅有10.18 MB,比原模型参数量降低2.7 MB,与其他经典网络模型相比,性能评估指标均有不同程度的提升,该研究为葡萄叶部病害识别提供了新的参考与借鉴。 展开更多
关键词 葡萄叶部病害 卷积神经网络 图像分类 大核注意力机制 高效通道注意力机制 EfficientNetB0
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部