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
共找到8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：
上下文感知多感受野融合网络的定向遥感目标检测
1
作者 姚婷婷 肇恒鑫 +1 位作者 冯子豪 胡青 《电子与信息学报》 北大核心 2025年第1期233-243,共11页
以广距鸟瞰视角拍摄获取的遥感图像通常具有目标种类多、尺度变化大以及背景信息丰富等特点,为目标检测任务带来巨大挑战。针对遥感图像成像特点,该文设计一种上下文感知多感受野融合网络,通过充分挖掘深度网络中遥感图像在不同尺寸特... 以广距鸟瞰视角拍摄获取的遥感图像通常具有目标种类多、尺度变化大以及背景信息丰富等特点,为目标检测任务带来巨大挑战。针对遥感图像成像特点,该文设计一种上下文感知多感受野融合网络,通过充分挖掘深度网络中遥感图像在不同尺寸特征描述下所包含的上下文关联信息,提高图像特征描述力,进而提升遥感目标检测精度。首先,在特征金字塔前4层网络中构建了感受野扩张模块,通过扩大网络在不同尺度特征图上的感受野范围,增强网络对不同尺度遥感目标的感知能力;进一步,构建了高层特征聚合模块,通过将特征金字塔网络中高层语义信息聚合到低层特征中,从而将特征图中所包含的多尺度上下文信息进行有效融合;最后,在双阶段定向目标检测框架下设计了特征细化区域建议网络。通过对一阶段提案进行精细化处理,提升提案准确性,进而提高二阶段兴趣区域对齐网络得到的不同成像方向下的遥感目标检测性能。在公测数据集DIOR-R和HRSC2016上的定性和定量的对比实验结果证明,所提方法对不同种类和尺度大小的遥感目标均能实现更加准确的检测。 展开更多
关键词 遥感图像 深度学习 目标检测 多感受野融合
在线阅读 下载PDF
主干信息共享与多感受野特征自适应融合的作物叶片等级和病害识别方法
2
作者 罗洋 何自芬 +1 位作者 张印辉 陈光晨 《农业机械学报》 北大核心 2025年第1期377-387,共11页
作物叶片等级和病害的快速准确识别对开发农业智能设备以促进农产品精细化管理有着重要意义。针对作物叶片等级和病害识别准确率低、成本高等问题,提出主干信息共享与多感受野特征自适应融合的作物叶片等级和病害识别算法(Crop leaf gra... 作物叶片等级和病害的快速准确识别对开发农业智能设备以促进农产品精细化管理有着重要意义。针对作物叶片等级和病害识别准确率低、成本高等问题,提出主干信息共享与多感受野特征自适应融合的作物叶片等级和病害识别算法(Crop leaf grade and disease recognition network,CLGDRNet)。首先,CLGDRNet采用CSPNet、GhostNet、ShuffleNet构建特征提取主干网络,同时将CSPNet、GhostNet、ShuffleNet所提取的特征信息进行共享以达到信息互补的目的;其次,设计多感受野特征自适应融合模块(Multi-receptive field feature adaptive fusion module,MRFA),将不同感受野特征图进行自适应加权融合,在增强模型局部感受野的同时突出有效通道信息;最后,提出一种深层梯度跨空间学习高效多尺度注意力模块(Efficient multi-scale attention mechanism with deep gradient cross-space learning,EMAD),将EMAD嵌入模型的颈部以获取深层梯度信息和目标坐标信息并跨空间融合不同尺度的上下文信息,使模型能够对深层特征图产生更精确的像素级关注。实验结果表明,CLGDRNet在初烤烟叶分级数据集(Tobacco leaf grading dataset,TLGD)上识别精度mAP@0.5和mAP@0.5:0.95分别达到85.0%、76.1%,在苹果叶病害数据集(Apple leaf disease dataset,ALDD)上识别精度mAP@0.5和mAP@0.5:0.95分别达到97.6%、74.2%。相较于多种先进目标检测算法,CLGDRNet具有更高的识别精度,可为高精度作物叶片等级和病害识别提供关键技术支撑。 展开更多
关键词 作物叶片等级 作物叶片病害 目标检测 信息共享 多感受野特征融合
在线阅读 下载PDF
多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测 被引量：1
3
作者 何自芬 罗洋 +3 位作者 张印辉 陈光晨 陈东东 徐林 《光学精密工程》 EI CAS CSCD 北大核心 2024年第2期301-316,共16页
初烤烟叶等级的快速准确检测对开发烟叶智能分级设备以促进农产品精细化管理有着重要意义。针对相似度较高但等级不同的初烤烟叶难以区分的问题,本文提出多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测网络(Flue-cured Tobacc... 初烤烟叶等级的快速准确检测对开发烟叶智能分级设备以促进农产品精细化管理有着重要意义。针对相似度较高但等级不同的初烤烟叶难以区分的问题,本文提出多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测网络(Flue-cured Tobacco Leaf Grade Detection Network,FTGDNet)。首先,FTGDNet采用CSPNet作为特征提取主干网络,采用GhostNet作为辅助特征提取网络以增强模型的特征提取能力;其次,在主干网络末端嵌入显式视觉中心瓶颈模块(Explicit Visual Center Bottleneck module,EVCB)以实现全局特征信息与局部细节特征信息融合;然后,构建多感受野特征自适应融合模块(Multi-Receptive Field Feature Adaptive Fusion module,MRFA_d),利用注意力特征融合机制(Attention Feature Fusion,AFF)将不同感受野特征图进行自适应加权融合,在增强模型局部感受野的同时突出有效通道信息;最后,设计了一种新的定位损失函数(More Complete IoU Loss,MCIoU_Loss),结合预测框与真实框面积损失以解决在回归定位过程中二者宽高比相等且中心点重合时CIoU_Loss性能退化导致定位精度下降问题,此外,引入矩形相似度衰减系数在训练过程中对真实框与预测框的相似度判别项进行动态调整,加快模型拟合。实验结果表明,FTGDNet对十个等级的初烤烟叶的验证精度达到90.0%,测试精度达到87.4%,且推理时间仅为12.6 ms。相较于多种先进目标检测算法,FTGDNet具有更高的检测精度和更快的检测速度,可为高精度初烤烟叶等级检测提供关键技术支撑。 展开更多
关键词 初烤烟叶 目标检测 多感受野特征融合 动态损失调整
在线阅读 下载PDF
改进的响尾蛇双模式细胞模型的图像融合 被引量：6
4
作者 王勇 王宇庆 马娇 《光学精密工程》 EI CAS CSCD 北大核心 2016年第11期2848-2854,共7页
由于基于经典Waxman融合模型得到的伪彩色融合图像目标不够清晰,本文提出了一种改进的感受野融合模型。对红外图像和可见光图像分别进行了ON对抗增强和OFF对抗增强;将红外ON对抗增强图像馈入中心-环绕感受野模型的中心兴奋区域,可见光OF... 由于基于经典Waxman融合模型得到的伪彩色融合图像目标不够清晰,本文提出了一种改进的感受野融合模型。对红外图像和可见光图像分别进行了ON对抗增强和OFF对抗增强;将红外ON对抗增强图像馈入中心-环绕感受野模型的中心兴奋区域,可见光OFF对抗增强图像馈入环绕抑制区,得到融合图像的B分量;将红外OFF对抗增强图像馈入中心-环绕感受野模型的环绕抑制区域,可见光ON对抗增强图像馈入中心兴奋区,得到融合图像的G分量;将可见光ON对抗增强图像直接作为融合图像的R分量;然后,输出RGB伪彩色融合图像。最后,用Waxman方法和本文提出的方法分别对两组源图像进行融合,并用信息熵和平均梯度对融合结果进行了评价。结果表明,采用提出的模型,第一组融合图像的信息熵和平均梯度比Waxman融合模型分别高出0.314 6和0.004 1,第二组融合图像的信息熵和平均梯度比Waxman融合模型分别高出0.255 1和0.002 7。得到的数据显示本文提出的融合模型的融合效果优于经典Waxman模型。 展开更多
关键词 图像融合 感受野融合模型 红外图像 可见光图像 中心-环绕受域 双模式细胞
在线阅读 下载PDF
交通场景中基于双向感知和几何聚合的小目标检测
5
作者 戴宇晨 刘石坚 邹峥 《陕西科技大学学报》 北大核心 2025年第4期192-201,共10页
交通场景的3D目标检测旨在通过点云数据对场景中的车辆和行人等进行识别,本文着重于提升小目标检测的性能.本文设计了全新的多模态特征编码方案:基于双向感受野融合的体素特征编码方法和基于局部几何聚合的点-体素特征混合编码方法.另外... 交通场景的3D目标检测旨在通过点云数据对场景中的车辆和行人等进行识别,本文着重于提升小目标检测的性能.本文设计了全新的多模态特征编码方案:基于双向感受野融合的体素特征编码方法和基于局部几何聚合的点-体素特征混合编码方法.另外,本文模块均针对两阶段模型的前期特征强化,提前规避细节错误;本文模块独立性强,可扩展到所有两阶段模型中.实验对比使用KITTI数据集的两阶段3D检测模型,结果显示本文方法在不同遮挡难度中,行人类对象和骑行类对象的准确率可分别实现3%和5%的显著提升.并且对比KITTI数据集行人类3D检测SOTA,本文方法在基本同步的时间延迟下,在其整体准确率提升的同时,小目标对象检测的准确率更高. 展开更多
关键词 3D目标检测 点-体素 感受野融合 几何聚合 小目标检测
在线阅读 下载PDF
基于YOLOv5n的轻量级织物疵点检测算法 被引量：4
6
作者 李洋 李敏 +2 位作者 黄政 董雄伟 朱立成 《毛纺科技》 CAS 北大核心 2024年第5期87-97,共11页
针对轻量级模型在检测织物疵点时精确率低的问题,在YOLOv5n的基础上提出一种上下文增强与混合感受野的织物疵点检测算法。首先,为主干网络设计了一种轻量扩张卷积空间金字塔模块,并将主干网络的下采样比增加至64,在增强上下文信息的同... 针对轻量级模型在检测织物疵点时精确率低的问题,在YOLOv5n的基础上提出一种上下文增强与混合感受野的织物疵点检测算法。首先,为主干网络设计了一种轻量扩张卷积空间金字塔模块,并将主干网络的下采样比增加至64,在增强上下文信息的同时提取更深层的语义信息,提高模型识别性能;其次,为颈部网络设计了一种混合感受野融合模块代替原C3模块并进行特征融合,提高极端长宽比目标的检测精度。实验表明:该算法在基于天池织物数据集上的IOU阈值为0.5时的平均精度均值mAP 50、精确率、召回率分别达到了93.1%、91.6%、89.1%,相较于原YOLOv5n算法分别提高了4.9%、7.3%、5.0%,且模型文件大小仅6.28 MB,更适用于织物疵点检测领域。 展开更多
关键词 疵点检测 深度学习 YOLOv5n 空间金字塔 感受野融合
在线阅读 下载PDF
面向小目标提取的改进DeepLabV3+模型遥感图像分割 被引量：4
7
作者 郭新 张斌 程坤 《遥感信息》 CSCD 北大核心 2022年第2期34-44,共11页
针对DeepLabV3+模型在遥感影像语义分割中呈现出小尺度地物语义信息丢失、数据类别不均衡引起误差等缺陷,提出了一种面向小目标提取的改进DeepLabV3+语义分割模型。首先,在模型编码器空间空洞金字塔池化(atrous spatial pyramid pooling... 针对DeepLabV3+模型在遥感影像语义分割中呈现出小尺度地物语义信息丢失、数据类别不均衡引起误差等缺陷,提出了一种面向小目标提取的改进DeepLabV3+语义分割模型。首先,在模型编码器空间空洞金字塔池化(atrous spatial pyramid pooling,ASPP)中引入多组并行空洞卷积(multiple parallel dilated convolution,MPDC)和感受野融合策略;其次,在模型解码器部分加入特征注意力融合模块(feature attention fusion,FAF);最后,使用加权的Lovasz-softmax loss优化损失函数。将改进后的模型通过Landcover和CCF2017高分辨率遥感影像数据集进行验证,结果表明,在两个测试数据集上的平均交并比比原始的DeepLabV3+模型分别提高了1.17%~1.24%和0.85%~0.95%,特别地,小目标如建筑物的交并比相比原始模型分别提升了3.51%~3.86%和2.11%~2.38%,改进后的DeepLabV3+模型能更充分表达高分辨率遥感图像细节信息。 展开更多
关键词 语义分割 空洞卷积 感受野融合 特征注意力融合 损失函数
在线阅读 下载PDF
基于设备运行状态检测与能量回归同步评估的居民非介入式负荷辨识算法研究 被引量：5
8
作者 宋玮琼 王立永 +3 位作者 宋威 朱肖晶 穆毅凡 冯燕钧 《电测与仪表》 北大核心 2023年第12期182-188,195,共8页
非侵入负荷辨识技术能够高效低成本地获得用户分项电能并支撑多种业务,基于分项电器能量回归的神经网络为负荷辨识技术提供了重要支撑。文中针对神经网络进行能量分解时在设备关停处的噪声识别污染及基于能量阈值法评估设备运行状态的... 非侵入负荷辨识技术能够高效低成本地获得用户分项电能并支撑多种业务,基于分项电器能量回归的神经网络为负荷辨识技术提供了重要支撑。文中针对神经网络进行能量分解时在设备关停处的噪声识别污染及基于能量阈值法评估设备运行状态的局限性,提出了基于设备能量分解与运行状态分类的硬参数共享多任务学习模型,并根据能量回归与状态识别对输入序列全局与区域信息的敏感度差异,提出基于多感受野融合的时间卷积网络,实验结果表明文中所提算法模型在辨识效果上取得了提升,并在洗衣机、洗碗机等小功率波动设备上相较传统网络减少了50%的平均能量绝对误差。 展开更多
关键词 非侵入负荷辨识 多任务学习 多感受野融合 时间卷积
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部