现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有...现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有像素级建模能力,提高它对小目标交通标志特征的提取能力,YOLOv7-NCAM算法使用FReLU激活函数构建了DBF和CBF两种卷积层,并用它们来组建模型的Backbone模块和Neck模块;提出一种归一化通道注意力机制(normalized channel attention mechanism,NCAM)并加入Head模块中。通过与整体网络一起训练,得到归一化(batch normalization,BN)缩放因子,利用缩放因子算出各个通道的权重因子,提升网络对交通标志特征的表达能力,从而使YOLOv7-NCAM网络模型能够集中关注检测目标交通标志。通过在CCTSDB-2021交通标志检测数据集上的测试,与YOLOv7网络模型对比结果表明,YOLOv7-NCAM算法对背景复杂下小交通标志的检测各项指标均有明显提高:准确率(precision,P)达到91.5%,比原网络高出9.5个百分点;召回率(recall,R)达到85.9%,比原网络高出5.7个百分点;均值平均精度(mean average precision,mAP)达到了91.4%,比原网络高出4.7个百分点。与现有的交通标志检测算法相比,YOLOv7-NCAM算法的检测准确率也有提高,且检测速度48.3 FPS,能满足实时需求。展开更多
为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准...为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准识别。在28 GBaud正交相移键控(QPSK)、8电平正交幅度调制(8QAM)、16QAM、32QAM、64QAM和128QAM传输系统中验证了该方案的可行性。实验结果表明:每种调制格式在达到100%识别准确率时所需的最低光信噪比(OSNR)均低于其对应的20%前向纠错(FEC)阈值,而且,在较宽的OSNR范围内达到了99.62%的识别准确率;在存在残余色散的光网络中,该方案仍能保持较高的识别性能。展开更多
文摘现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有像素级建模能力,提高它对小目标交通标志特征的提取能力,YOLOv7-NCAM算法使用FReLU激活函数构建了DBF和CBF两种卷积层,并用它们来组建模型的Backbone模块和Neck模块;提出一种归一化通道注意力机制(normalized channel attention mechanism,NCAM)并加入Head模块中。通过与整体网络一起训练,得到归一化(batch normalization,BN)缩放因子,利用缩放因子算出各个通道的权重因子,提升网络对交通标志特征的表达能力,从而使YOLOv7-NCAM网络模型能够集中关注检测目标交通标志。通过在CCTSDB-2021交通标志检测数据集上的测试,与YOLOv7网络模型对比结果表明,YOLOv7-NCAM算法对背景复杂下小交通标志的检测各项指标均有明显提高:准确率(precision,P)达到91.5%,比原网络高出9.5个百分点;召回率(recall,R)达到85.9%,比原网络高出5.7个百分点;均值平均精度(mean average precision,mAP)达到了91.4%,比原网络高出4.7个百分点。与现有的交通标志检测算法相比,YOLOv7-NCAM算法的检测准确率也有提高,且检测速度48.3 FPS,能满足实时需求。
文摘为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准识别。在28 GBaud正交相移键控(QPSK)、8电平正交幅度调制(8QAM)、16QAM、32QAM、64QAM和128QAM传输系统中验证了该方案的可行性。实验结果表明:每种调制格式在达到100%识别准确率时所需的最低光信噪比(OSNR)均低于其对应的20%前向纠错(FEC)阈值,而且,在较宽的OSNR范围内达到了99.62%的识别准确率;在存在残余色散的光网络中,该方案仍能保持较高的识别性能。
