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
2
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
基于改进YOLOv9的海珍品目标检测算法
1
作者
郭文豪
郝斌
+2 位作者
张飞
高鹭
任晓颖
《渔业现代化》
2025年第4期85-98,共14页
海珍品目标检测是海珍品资源智能化开发的关键性技术。针对水下环境复杂、特征提取困难、目标尺寸各异以及小目标较多导致海珍品目标检测精度低的问题,该研究提出了一种基于YOLOv9-S的改进算法YOLOv9-PAEG。首先,通过引入PfAAM注意力机...
海珍品目标检测是海珍品资源智能化开发的关键性技术。针对水下环境复杂、特征提取困难、目标尺寸各异以及小目标较多导致海珍品目标检测精度低的问题,该研究提出了一种基于YOLOv9-S的改进算法YOLOv9-PAEG。首先,通过引入PfAAM注意力机制和分布移位卷积DSConv2D对SPPELAN模块进行改进,设计出PFAD_SPPELAN模块,提高了模型的检测精度和速度。其次,在模型的骨干网络层引入可改变核卷积AKConv,模型能够更灵活地适应不同大小和形状的特征,从而提高对多尺寸目标、尤其是对小目标的特征提取能力。然后,在模型的颈部层中融入ECA注意力机制,模型对重要特征的表示能力得到了增强,进而提升了检测精度。最后,通过采用GIoU损失函数,模型的收敛得到了加速,定位精度也得到了优化。结果显示,在数据集DUO和UDD上,YOLOv9-PAEG模型的mAP@0.5分别达到了89.7%、77.6%,FPS分别达到了71、69,相比于原模型和其他主流的目标检测模型在检测精度和速度上均有所提升。这充分证明了YOLOv9-PAEG模型的有效性和先进性,能够为海珍品提供更好的检测效果。
展开更多
关键词
海珍品目标检测
YOLOv9-S
AKConv
注意力机制
在线阅读
下载PDF
职称材料
面向海洋牧场智能化建设的海珍品实时检测方法
被引量：
5
2
作者
洪亮
王芳
+2 位作者
蔡克卫
陈鹏宇
林远山
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第9期304-311,共8页
海珍品检测对海洋牧场的智能化建设至关重要,在实时性和准确性方面仍有待提高。该研究提出一种改进的YOLOv3海珍品检测方法。利用深度可分离卷积替代YOLOv3中的标准卷积,得到一个轻量化网络模型DSC-YOLO(Depthwise Separable Convolutio...
海珍品检测对海洋牧场的智能化建设至关重要,在实时性和准确性方面仍有待提高。该研究提出一种改进的YOLOv3海珍品检测方法。利用深度可分离卷积替代YOLOv3中的标准卷积,得到一个轻量化网络模型DSC-YOLO(Depthwise Separable Convolution-YOLO);在数据预处理方面,采用图像增强方法UGAN提升海珍品图像清晰度,采用Mosaic数据增广方法丰富数据的多样性。在海珍品数据集上的试验结果显示,相较YOLOv3而言,所提模型大小减少70%,推理时间降低16%,召回率R提高了2.7%,平均准确率提高了2.4%,F1分数提高了0.4%。可见该方法模型小、实时性好,具有部署到移动设备上的潜力。
展开更多
关键词
深度学习
机器视觉
卷积神经网络
YOLOv3网络
深度可分离卷积
海珍品目标检测
在线阅读
下载PDF
职称材料
题名
基于改进YOLOv9的海珍品目标检测算法
1
作者
郭文豪
郝斌
张飞
高鹭
任晓颖
机构
内蒙古科技大学数智产业学院
出处
《渔业现代化》
2025年第4期85-98,共14页
基金
内蒙古自治区科技计划项目(2021GG0046)
内蒙古自治区科技计划项目(2021GG0048)。
文摘
海珍品目标检测是海珍品资源智能化开发的关键性技术。针对水下环境复杂、特征提取困难、目标尺寸各异以及小目标较多导致海珍品目标检测精度低的问题,该研究提出了一种基于YOLOv9-S的改进算法YOLOv9-PAEG。首先,通过引入PfAAM注意力机制和分布移位卷积DSConv2D对SPPELAN模块进行改进,设计出PFAD_SPPELAN模块,提高了模型的检测精度和速度。其次,在模型的骨干网络层引入可改变核卷积AKConv,模型能够更灵活地适应不同大小和形状的特征,从而提高对多尺寸目标、尤其是对小目标的特征提取能力。然后,在模型的颈部层中融入ECA注意力机制,模型对重要特征的表示能力得到了增强,进而提升了检测精度。最后,通过采用GIoU损失函数,模型的收敛得到了加速,定位精度也得到了优化。结果显示,在数据集DUO和UDD上,YOLOv9-PAEG模型的mAP@0.5分别达到了89.7%、77.6%,FPS分别达到了71、69,相比于原模型和其他主流的目标检测模型在检测精度和速度上均有所提升。这充分证明了YOLOv9-PAEG模型的有效性和先进性,能够为海珍品提供更好的检测效果。
关键词
海珍品目标检测
YOLOv9-S
AKConv
注意力机制
Keywords
sea treasure target detection
YOLOv9-S
AKConv
attention mechanisms
分类号
TP391.7 [自动化与计算机技术]
在线阅读
下载PDF
职称材料
题名
面向海洋牧场智能化建设的海珍品实时检测方法
被引量：
5
2
作者
洪亮
王芳
蔡克卫
陈鹏宇
林远山
机构
大连海洋大学信息工程学院
辽宁省海洋信息技术重点实验室
设施渔业教育部重点实验室
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第9期304-311,共8页
基金
国家自然科学基金(61603067)
辽宁省自然科学基金项目(20180550674,2020-KF-12-09)
+2 种基金
大连市高层次人才创新支持计划(2017RQ053)
辽宁省重点研发计划项目(2020JH2/10100043)
辽宁省教育厅基金项目(QL202016)。
文摘
海珍品检测对海洋牧场的智能化建设至关重要,在实时性和准确性方面仍有待提高。该研究提出一种改进的YOLOv3海珍品检测方法。利用深度可分离卷积替代YOLOv3中的标准卷积,得到一个轻量化网络模型DSC-YOLO(Depthwise Separable Convolution-YOLO);在数据预处理方面,采用图像增强方法UGAN提升海珍品图像清晰度,采用Mosaic数据增广方法丰富数据的多样性。在海珍品数据集上的试验结果显示,相较YOLOv3而言,所提模型大小减少70%,推理时间降低16%,召回率R提高了2.7%,平均准确率提高了2.4%,F1分数提高了0.4%。可见该方法模型小、实时性好,具有部署到移动设备上的潜力。
关键词
深度学习
机器视觉
卷积神经网络
YOLOv3网络
深度可分离卷积
海珍品目标检测
Keywords
deep learning
computer vision
convolutional neural network
YOLOv3
depth separable convolution
seafood detection
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
基于改进YOLOv9的海珍品目标检测算法
郭文豪
郝斌
张飞
高鹭
任晓颖
《渔业现代化》
2025
在线阅读
下载PDF
职称材料
2
面向海洋牧场智能化建设的海珍品实时检测方法
洪亮
王芳
蔡克卫
陈鹏宇
林远山
《农业工程学报》
EI
CAS
CSCD
北大核心
2021
5
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
