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
3
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
一种改进可形变FCN的农作物害虫检测方法
被引量：
6
1
作者
徐聪
王旭启
刘裕
《江苏农业科学》
北大核心
2022年第9期211-219,共9页
田间农作物害虫种类繁多,不同的生长阶段形态和颜色各异,在自然环境下采集的图像背景复杂,角度和尺度变化多样,从而使传统的害虫检测方法准确率较低。提出一种改进可形变全卷积神经网络(deformable fully convolution network,DFCN)的...
田间农作物害虫种类繁多,不同的生长阶段形态和颜色各异,在自然环境下采集的图像背景复杂,角度和尺度变化多样,从而使传统的害虫检测方法准确率较低。提出一种改进可形变全卷积神经网络(deformable fully convolution network,DFCN)的农作物害虫检测方法,该方法由编码模块和解码模块组成。编码模块在VGG16中采用了可形变卷积,能适应不同形状、位置和尺寸等几何形变的害虫图像。为了更好地保留害虫图像的纹理特征和背景特征,在编码模块中应用了混合池化,加快了网络的训练速度,提高了害虫检测的准确率;解码模块对编码的下采样层进行反卷积操作,最后应用像素级分类器获得有效的检测图像。在扩展的害虫图像数据集上与DFCN方法的分割精确度和平均交并比分别为90.43%、78.16%,较语义分割方法SegNet分别提高了3.27、3.72,单幅图像的识别时间为0.36 s,比SegNet加快了0.16 s。结果表明DFCN方法在害虫图像检测方面具有较高的准确率,分割速度快,可为复杂背景下农作物害虫检测提供一定的理论参考。
展开更多
关键词
农作物害虫检测
全
卷积
神经
网络
可
形变
卷积
可
形变
全
卷积
神经
网络
在线阅读
下载PDF
职称材料
DRE-3DC:基于三维表征建模的篇章级关系抽取模型
2
作者
王宇
王震
+2 位作者
温立强
李伟平
赵文
《电子学报》
EI
CAS
CSCD
北大核心
2024年第9期2950-2960,共11页
篇章级关系抽取任务旨在从非结构化文档的多个句子中提取事实,是构建领域知识库和知识问答应用的关键环节,相较于句子级关系抽取,该任务既要求模型能够基于文档结构特征捕获实体间的复杂交互,还要应对严重的关系类别长尾分布问题.现有...
篇章级关系抽取任务旨在从非结构化文档的多个句子中提取事实,是构建领域知识库和知识问答应用的关键环节,相较于句子级关系抽取,该任务既要求模型能够基于文档结构特征捕获实体间的复杂交互,还要应对严重的关系类别长尾分布问题.现有基于表格的关系抽取模型主要对文档进行“实体/实体”二维建模,采用多层卷积网络或局部注意力机制提取实体间的交互特征,由于未显式对关系语义进行解耦建模,使得模型无法避免类别重叠影响和捕获关系的方向性特征,导致缺乏实体交互的充分语义信息.针对上述挑战,本文提出了一种基于三维表征建模的篇章级关系抽取模型DRE-3DC(Document-Level Relation Extraction with Three-Dimensional Representation Combination Modeling),对二维表格建模方式进行扩展,形成“实体/实体/关系”三维表征建模,采用基于形变卷积的三重注意力机制有效区分和聚合不同语义空间下的实体间及实体与关系的交互表征,自适应地增强模型对文档结构特征的聚合.同时,采用多任务学习方法增强模型对文档整体关系类别组合的感知来缓解篇章级关系抽取任务中的关系类别长尾分布问题.在DocRED和Revisit-DocRED两个篇章级关系抽取数据集上进行的实验结果表明,DRE-3DC模型性能良好,并通过消融实验、对比分析和实例分析,验证了本文所提方法的有效性.
展开更多
关键词
篇章级关系抽取
三维表征
三重注意力
形变卷积网络
多任务学习
在线阅读
下载PDF
职称材料
面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO
被引量：
27
3
作者
卢俊哲
张铖怡
+1 位作者
刘世鹏
宁德军
《计算机工程与应用》
CSCD
北大核心
2023年第15期318-328,共11页
基于深度学习的智能检测技术逐渐在复杂钢铁生产环境带钢表面缺陷检测过程中使用。为了应对在资源受限的边缘设备中部署高精度模型的挑战,提出一个面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO模型,该模型将可形变卷积网络DCN与原始...
基于深度学习的智能检测技术逐渐在复杂钢铁生产环境带钢表面缺陷检测过程中使用。为了应对在资源受限的边缘设备中部署高精度模型的挑战,提出一个面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO模型,该模型将可形变卷积网络DCN与原始YOLOv5结合,以提高模型对不同尺寸和形状缺陷的灵敏度。为降低计算复杂度,在YOLO模型中引入了深度可分离卷积DSConv和高效通道注意力机制ECA两个轻量级模块,使模型更好地理解输入数据中各个通道之间的关系,在提高模型的检测精度和泛化能力的同时,大幅降低模型的计算量。进一步通过消融实验及横向对比实验,验证了每个创新模块的有效性。通过经典的开源带钢数据集NEU-DET和实际工业带钢数据集分别验证了轻量级DCN-YOLO模型在表面缺陷检测精度和计算复杂度方面的优势。
展开更多
关键词
带钢表面缺陷检测
可
形变卷积网络
深度可分离
卷积
ECA通道注意力
轻量级YOLOv5
图像预处理
在线阅读
下载PDF
职称材料
题名
一种改进可形变FCN的农作物害虫检测方法
被引量：
6
1
作者
徐聪
王旭启
刘裕
机构
西京学院信息工程学院
出处
《江苏农业科学》
北大核心
2022年第9期211-219,共9页
基金
陕西省教育厅科研计划项目(编号:20JK0960)。
文摘
田间农作物害虫种类繁多,不同的生长阶段形态和颜色各异,在自然环境下采集的图像背景复杂,角度和尺度变化多样,从而使传统的害虫检测方法准确率较低。提出一种改进可形变全卷积神经网络(deformable fully convolution network,DFCN)的农作物害虫检测方法,该方法由编码模块和解码模块组成。编码模块在VGG16中采用了可形变卷积,能适应不同形状、位置和尺寸等几何形变的害虫图像。为了更好地保留害虫图像的纹理特征和背景特征,在编码模块中应用了混合池化,加快了网络的训练速度,提高了害虫检测的准确率;解码模块对编码的下采样层进行反卷积操作,最后应用像素级分类器获得有效的检测图像。在扩展的害虫图像数据集上与DFCN方法的分割精确度和平均交并比分别为90.43%、78.16%,较语义分割方法SegNet分别提高了3.27、3.72,单幅图像的识别时间为0.36 s,比SegNet加快了0.16 s。结果表明DFCN方法在害虫图像检测方面具有较高的准确率,分割速度快,可为复杂背景下农作物害虫检测提供一定的理论参考。
关键词
农作物害虫检测
全
卷积
神经
网络
可
形变
卷积
可
形变
全
卷积
神经
网络
分类号
TP391.4 [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
DRE-3DC:基于三维表征建模的篇章级关系抽取模型
2
作者
王宇
王震
温立强
李伟平
赵文
机构
北京大学软件与微电子学院
北京大学软件工程国家工程研究中心
出处
《电子学报》
EI
CAS
CSCD
北大核心
2024年第9期2950-2960,共11页
基金
国家重点研发计划(No.2020YFC0833300)。
文摘
篇章级关系抽取任务旨在从非结构化文档的多个句子中提取事实,是构建领域知识库和知识问答应用的关键环节,相较于句子级关系抽取,该任务既要求模型能够基于文档结构特征捕获实体间的复杂交互,还要应对严重的关系类别长尾分布问题.现有基于表格的关系抽取模型主要对文档进行“实体/实体”二维建模,采用多层卷积网络或局部注意力机制提取实体间的交互特征,由于未显式对关系语义进行解耦建模,使得模型无法避免类别重叠影响和捕获关系的方向性特征,导致缺乏实体交互的充分语义信息.针对上述挑战,本文提出了一种基于三维表征建模的篇章级关系抽取模型DRE-3DC(Document-Level Relation Extraction with Three-Dimensional Representation Combination Modeling),对二维表格建模方式进行扩展,形成“实体/实体/关系”三维表征建模,采用基于形变卷积的三重注意力机制有效区分和聚合不同语义空间下的实体间及实体与关系的交互表征,自适应地增强模型对文档结构特征的聚合.同时,采用多任务学习方法增强模型对文档整体关系类别组合的感知来缓解篇章级关系抽取任务中的关系类别长尾分布问题.在DocRED和Revisit-DocRED两个篇章级关系抽取数据集上进行的实验结果表明,DRE-3DC模型性能良好,并通过消融实验、对比分析和实例分析,验证了本文所提方法的有效性.
关键词
篇章级关系抽取
三维表征
三重注意力
形变卷积网络
多任务学习
Keywords
document-level relation extraction
three-dimensional representation
triplet attention
deformable con⁃volution
multi-task learning
分类号
TP391.1 [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
面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO
被引量：
27
3
作者
卢俊哲
张铖怡
刘世鹏
宁德军
机构
中国科学院上海高等研究院
中国科学院大学
出处
《计算机工程与应用》
CSCD
北大核心
2023年第15期318-328,共11页
基金
工信部制造业高质量发展专项(E212641B01)。
文摘
基于深度学习的智能检测技术逐渐在复杂钢铁生产环境带钢表面缺陷检测过程中使用。为了应对在资源受限的边缘设备中部署高精度模型的挑战,提出一个面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO模型,该模型将可形变卷积网络DCN与原始YOLOv5结合,以提高模型对不同尺寸和形状缺陷的灵敏度。为降低计算复杂度,在YOLO模型中引入了深度可分离卷积DSConv和高效通道注意力机制ECA两个轻量级模块,使模型更好地理解输入数据中各个通道之间的关系,在提高模型的检测精度和泛化能力的同时,大幅降低模型的计算量。进一步通过消融实验及横向对比实验,验证了每个创新模块的有效性。通过经典的开源带钢数据集NEU-DET和实际工业带钢数据集分别验证了轻量级DCN-YOLO模型在表面缺陷检测精度和计算复杂度方面的优势。
关键词
带钢表面缺陷检测
可
形变卷积网络
深度可分离
卷积
ECA通道注意力
轻量级YOLOv5
图像预处理
Keywords
strip surface defect detection
deformable convolutional network
depthwise separable convolution
efficient channel attention
lightweight YOLOv5
image preprocessing
分类号
TP391.4 [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
一种改进可形变FCN的农作物害虫检测方法
徐聪
王旭启
刘裕
《江苏农业科学》
北大核心
2022
6
在线阅读
下载PDF
职称材料
2
DRE-3DC:基于三维表征建模的篇章级关系抽取模型
王宇
王震
温立强
李伟平
赵文
《电子学报》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO
卢俊哲
张铖怡
刘世鹏
宁德军
《计算机工程与应用》
CSCD
北大核心
2023
27
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
