检索结果-维普期刊中文期刊服务平台

基于感受野注意力卷积的自动驾驶多任务感知算法被引量：4: 1; 作者刘云翔马海力 +2 位作者朱建林张晴金婍《计算机工程与应用》 CSCD 北大核心 2024年第20期133-141,共9页; 可行驶区域分割、车道线检测及交通目标检测等作为自动驾驶感知的关键部分,并行执行对智能车辆的算力要求较高,多任务感知算法能够实现实际应用中精度与速度的权衡。针对多任务感知算法中路况复杂、目标受遮挡等难点,通过改进YOLOP网络... 展开更多; 关键词多任务感知自动驾驶目标检测语义分割感受野注意力卷积(RFAConv); 在线阅读下载PDF 职称材料

多尺度YOLOv5算法检测锂离子电池表面缺陷: 2; 作者朱永平程博 +1 位作者熊聪丁聪《电池》北大核心 2025年第1期71-77,共7页; 针对软包装锂离子电池表面缺陷特征尺度不一、缺陷检测时小目标检测效果差的问题,提出基于改进YOLOv5的软包装锂离子电池表面缺陷检测算法。首先,将感受野注意力卷积(RFCAConv)融合到Bottleneck结构中,并替换主干网络中的卷积层(Conv),... 展开更多; 关键词 YOLOv5算法锂离子电池缺陷检测感受野注意力卷积(RFCAConv) 可分离大核注意力 P2检测层; 在线阅读下载PDF 职称材料

面向高空视角小目标检测的YOLO算法改进策略被引量：1: 3; 作者曹嘉禹乔贵方 +2 位作者陈梦源邹旭刘娣《计算机应用》 CSCD 北大核心 2024年第S2期280-285,共6页; 针对无人机高空视角下背景复杂、特征提取能力不足、目标尺寸小、难以检测、漏检严重等问题,在YOLOv8n的基础上提出改进的无人机高空视角目标检测算法。首先优化网络结构,通过增加P2小目标检测层并删去P5大目标检测层提升小目标感知能力... 展开更多; 关键词 YOLOv8n 小目标检测感受野注意力卷积动态头归一化Wasserstein距离; 在线阅读下载PDF 职称材料

基于改进YOLO v8n的甜菜杂草检测算法研究被引量：2: 4; 作者黄友锐王小桥 +2 位作者韩涛宋红萍王照锋《江苏农业科学》北大核心 2024年第24期196-204,共9页; 农作物生长过程中其伴生杂草的及时清除能够有效提高农作物的产量和质量。针对当前对于甜菜杂草检测精度较低、小目标漏检等问题,提出了基于改进YOLO v8n的甜菜杂草检测算法。首先,在检测头部分增加一个小目标检测层,提高模型对生长初... 展开更多; 关键词甜菜杂草识别 YOLO v8n 感受野坐标注意力卷积小目标检测; 在线阅读下载PDF 职称材料

基于改进YOLOv8n的煤矿井下受限场景目标检测算法: 5; 作者褚菲闫成浩 +2 位作者张淇张勇李会军《工矿自动化》 2025年第8期43-50,共8页; 在煤矿井下受限场景中由于目标尺度变化复杂、目标部分被遮挡和有效特征提取困难,导致目标检测精度低。针对上述问题,提出一种基于改进YOLOv8n的煤矿井下受限场景目标检测算法。在主干特征提取网络采用感受野注意力卷积(RFAConv),更好... 展开更多; 关键词目标检测煤矿井下受限场景 YOLOv8n 感受野注意力卷积高效多尺度注意力可变形卷积动态检测头; 在线阅读下载PDF 职称材料

题名基于感受野注意力卷积的自动驾驶多任务感知算法被引量：4: 1; 作者刘云翔马海力朱建林张晴金婍; 机构上海应用技术大学计算机科学与信息工程学院; 出处《计算机工程与应用》 CSCD 北大核心 2024年第20期133-141,共9页; 基金上海市自然科学基金(21ZR1462600)。; 文摘可行驶区域分割、车道线检测及交通目标检测等作为自动驾驶感知的关键部分,并行执行对智能车辆的算力要求较高,多任务感知算法能够实现实际应用中精度与速度的权衡。针对多任务感知算法中路况复杂、目标受遮挡等难点,通过改进YOLOP网络,提出一种基于感受野注意力卷积(RFAConv)的多任务感知算法。将主干网络中的部分卷积替换为感受野注意力卷积,根据感受野中图像特征的重要程度动态分配卷积核权重以提高网络的特征提取能力;重构特征金字塔网络,使用高效跨尺度融合模块替换原有的跨阶段层次模块,充分保留特征融合的有效信息,并使用内容感知特征重组模块作为上采样方法,减少特征融合时上采样的信息丢失;使用MPDIoU函数计算回归损失,解决真实框与预测框之间同比例但不同大小的问题,进一步提高对交通目标的检测能力。在BDD100K数据集上的测试结果表明,该模型在可行驶区域分割、车道线检测及交通目标检测方面检测精度优于其他多任务模型甚至单任务模型,同时保证了网络实时推理性能。; 关键词多任务感知自动驾驶目标检测语义分割感受野注意力卷积(RFAConv); Keywords multi-task perception autonomous driving object detection semantic segmentation receptive-field attention convolution(RFAConv); 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

题名多尺度YOLOv5算法检测锂离子电池表面缺陷: 2; 作者朱永平程博熊聪丁聪; 机构湖北工业大学机械工程学院现代制造质量工程湖北省重点实验室; 出处《电池》北大核心 2025年第1期71-77,共7页; 基金国家自然科学基金项目(51275158)。; 文摘针对软包装锂离子电池表面缺陷特征尺度不一、缺陷检测时小目标检测效果差的问题,提出基于改进YOLOv5的软包装锂离子电池表面缺陷检测算法。首先,将感受野注意力卷积(RFCAConv)融合到Bottleneck结构中,并替换主干网络中的卷积层(Conv),通过有效提取感受野空间特征,提升模型整体性能;其次,将大型可分离核注意力(LSKA)融合到快速空间金字塔池化(SPPF)模块中,增强多尺度特征的提取能力;最后,将P2目标检测层融入路径聚合网络(PANet),提高模型对边缘细节信息的抓取能力,增强模型对小尺度缺陷特征的提取能力。改进后的YOLOv5s算法,均值平均精度为89.1%,较原模型提高4.8个百分点,每秒帧数达40.0,能够满足软包锂离子电池表面缺陷实时检测的需求。; 关键词 YOLOv5算法锂离子电池缺陷检测感受野注意力卷积(RFCAConv) 可分离大核注意力 P2检测层; Keywords YOLOv5 algorithm Li-ion battery defect detecting receptive field attention convolution(RFCAConv) separation of large nuclei attention P2 detection layer; 分类号 TM912.9 [电气工程—电力电子与电力传动] TD98 [矿业工程—选矿]; 在线阅读下载PDF 职称材料

题名面向高空视角小目标检测的YOLO算法改进策略被引量：1: 3; 作者曹嘉禹乔贵方陈梦源邹旭刘娣; 机构南京工程学院自动化学院; 出处《计算机应用》 CSCD 北大核心 2024年第S2期280-285,共6页; 基金江苏省研究生科研与实践创新计划项目(SJCX23_1159)。; 文摘针对无人机高空视角下背景复杂、特征提取能力不足、目标尺寸小、难以检测、漏检严重等问题,在YOLOv8n的基础上提出改进的无人机高空视角目标检测算法。首先优化网络结构,通过增加P2小目标检测层并删去P5大目标检测层提升小目标感知能力;其次引入感受野注意力卷积(RFAConv)以改进C2f的颈部结构,并从空间维度提高网络的特征提取及特征融合能力;再次将动态头(Dyhead)模块引入Detect检测头,从而增强模型的表达能力和泛化能力;最后使用归一化Wasserstein距离(NWD)度量边界框相似性,从而降低尺度敏感性。在Visdrone2019数据集上,改进后的YOLOv8n、YOLOv9t和YOLOv10n与改进前的相比,在平均精度(AP)上分别提升了15.6%、16.7%和31.0%;在SAR舰船检测数据集(SSDD)上的检测结果表明改进算法泛化能力较好,具有较强的鲁棒性。可见改进后的算法提升了小目标特征提取及融合能力,并具有更好的小目标检测效果。; 关键词 YOLOv8n 小目标检测感受野注意力卷积动态头归一化Wasserstein距离; Keywords YOLOv8n small object detection Receptive Field Attention Convolution(RFAConv) Dynamic head(Dyhead) Normalized Wasserstein Distance(NWD); 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

题名基于改进YOLO v8n的甜菜杂草检测算法研究被引量：2: 4; 作者黄友锐王小桥韩涛宋红萍王照锋; 机构安徽理工大学电气与信息工程学院皖西学院电气与光电工程学院; 出处《江苏农业科学》北大核心 2024年第24期196-204,共9页; 基金安徽省高校协同创新项目(编号:GXXT-2023-068)。; 文摘农作物生长过程中其伴生杂草的及时清除能够有效提高农作物的产量和质量。针对当前对于甜菜杂草检测精度较低、小目标漏检等问题,提出了基于改进YOLO v8n的甜菜杂草检测算法。首先,在检测头部分增加一个小目标检测层,提高模型对生长初期甜菜和杂草的检测能力。其次,在主干部分引入感受野坐标注意力卷积(receptive-field coordinated attention convolutional operation,RFCAConv),更好地识别图像中的边缘、纹理、形状等低级特征,并且所增加的计算开销极小。最后,引入损失函数PIoU v2替换YOLO v8n原来的损失函数,增强对中等质量锚框的聚焦能力,加快收敛速度,并提高检测精度。通过公开的Lincolnbeet数据集进行试验,试验结果表明,改进后的YOLO v8n模型总的mAP@0.5达到了0.902,对比YOLO v8n原模型提高了0.035,甜菜和杂草分别提升了0.026、0.041,参数量减少了3.3%,平均每幅图片的检测时间为4.1 ms,能够满足实时检测的要求。; 关键词甜菜杂草识别 YOLO v8n 感受野坐标注意力卷积小目标检测; 分类号 S126 [农业科学—农业基础科学] TP319.41 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名基于改进YOLOv8n的煤矿井下受限场景目标检测算法: 5; 作者褚菲闫成浩张淇张勇李会军; 机构中国矿业大学信息与控制工程学院; 出处《工矿自动化》 2025年第8期43-50,共8页; 基金国家自然科学基金重点项目(62533016) 中央高校基础研究基金项目(2022ZZCX01K01)。; 文摘在煤矿井下受限场景中由于目标尺度变化复杂、目标部分被遮挡和有效特征提取困难,导致目标检测精度低。针对上述问题,提出一种基于改进YOLOv8n的煤矿井下受限场景目标检测算法。在主干特征提取网络采用感受野注意力卷积(RFAConv),更好地处理受限环境下的目标空间位置信息,并根据特征的重要性动态调整权重,从而更关注目标的关键特征;在颈部网络引入高效多尺度注意力(EMA)模块,融合不同尺度的特征信息,提高了对尺度变化目标的检测精度;将新型可变形卷积(DCNv3)与动态检测头(Dynamic Head)结合,通过将尺度感知注意力、空间感知注意力和任务感知注意力相统一,有助于模型关注空间尺度信息和适应不同的检测任务,提高了对多尺度目标和部分被遮挡目标的检测能力;引入考虑预测框权重分配的Unified−IOU(U−IOU)损失函数,通过动态调整在不同质量预测框上的关注度,使模型更专注于高质量预测框,提高模型的收敛速度和精度。实验结果表明,针对CUMT−BelT数据集,改进YOLOv8n在煤矿井下输送带异物检测中的mAP@0.5相较于YOLOv8n提高了5.6%;针对DsLMF数据集,改进YOLOv8n在不同综采工作面作业场景下的总体mAP@0.5相较于YOLOv8n提高了4.8%,有效减少了误检和重复检测的情况。; 关键词目标检测煤矿井下受限场景 YOLOv8n 感受野注意力卷积高效多尺度注意力可变形卷积动态检测头; Keywords object detection constrained scenarios in underground coal mines YOLOv8n Receptive Field Attention Convolution Efficient Multiscale Attention Deformable Convolutional Networks v3 Dynamic Head; 分类号 TD67 [矿业工程]; 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	基于感受野注意力卷积的自动驾驶多任务感知算法	刘云翔马海力朱建林张晴金婍	《计算机工程与应用》 CSCD 北大核心	2024	4	在线阅读下载PDF 职称材料
2	多尺度YOLOv5算法检测锂离子电池表面缺陷	朱永平程博熊聪丁聪	《电池》北大核心	2025	0	在线阅读下载PDF 职称材料
3	面向高空视角小目标检测的YOLO算法改进策略	曹嘉禹乔贵方陈梦源邹旭刘娣	《计算机应用》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
4	基于改进YOLO v8n的甜菜杂草检测算法研究	黄友锐王小桥韩涛宋红萍王照锋	《江苏农业科学》北大核心	2024	2	在线阅读下载PDF 职称材料
5	基于改进YOLOv8n的煤矿井下受限场景目标检测算法	褚菲闫成浩张淇张勇李会军	《工矿自动化》	2025		在线阅读下载PDF 职称材料