检索结果-维普期刊中文期刊服务平台

融合混合注意力的自编码器视频异常检测被引量：3: 1; 作者郑重杨晓文 +3 位作者谢剑斌欧阳楠楠忽欣谕王晋涛《计算机工程与设计》北大核心 2024年第2期516-523,共8页; 为提高视频异常检测的准确率,提出一种融合混合注意力的自编码器视频异常检测算法。针对自编码器网络强大的“泛化”能力可能重构异常行为问题,提出一种混合注意力模块(CSCFAM)并将其融合至编码器和解码器之间的跳跃连接层以限制异常行... 展开更多; 关键词视频异常检测自编码器跳跃连接混合注意力模块存储记忆模块异常行为原型模式; 在线阅读下载PDF 职称材料

针对X线图像超分辨率重建的轻量残差注意力网络: 2; 作者杨昆齐晁仪 +4 位作者刘天军艾尚璞闫森广刘秀玲薛林雁《河北大学学报(自然科学版)》北大核心 2025年第4期419-430,共12页; 针对当前医学图像超分辨率重建算法复杂、参数量大等问题,提出了轻量化的X线医学图像超分辨率网络LDRAN(lightweight deep residual attention network).该方法设计了轻量且高效的残差块LDRB(lightweight deep residual block),在保证... 展开更多; 关键词超分辨重建轻量化深度残差块混合多维度注意力模块残差级联; 在线阅读下载PDF 职称材料

基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型被引量：19: 3; 作者乔思波庞善臣 +3 位作者王敏翟雪于世行丁桐《电子学报》 EI CAS CSCD 北大核心 2021年第5期984-991,共8页; 针对阿尔兹海默症、病变(如脑肿瘤)和健康老化的3类脑部CT图像分类问题,本文提出了一种改进的ResNet-10卷积神经网络模型.该模型在网络的残差映射结构中加入残差混合注意力模块,解决了原模型提取的特征分辨性弱的问题,精确捕捉了脑部组... 展开更多; 关键词残差混合注意力模块标签平滑脑部CT 卷积神经网络; 在线阅读下载PDF 职称材料

基于特征分治与融合的铁路扣件轻量化实时检测模型: 4; 作者鄢化彪林初欣 +3 位作者黄绿娥李东丽刘词波徐方奇《北京交通大学学报》北大核心 2025年第3期56-67,共12页; 为解决嵌入式设备实时处理海量铁路扣件视觉图像数据时无法兼顾精确度与检测速度的问题,提出一种基于特征分治与融合的轻量化实时检测模型.首先,利用基于空间与通道特征的分治混合注意力模块强化模型的特征提取能力,降低图像中复杂背景... 展开更多; 关键词轻量级嵌入式系统分治混合注意力模块分治特征融合代价体构建; 在线阅读下载PDF 职称材料

一种改进的YOLOv7-OBB舰船识别方法: 5; 作者孙宏磊陈雯柏刘辉翔《兵器装备工程学报》 CAS CSCD 北大核心 2024年第8期192-198,共7页; 为解决高分辨率遥感图像中舰船识别准确率低的问题,提出了一种改进的YOLOv7-OBB舰船识别方法。引入定向检测框OBB(oriented bounding box)和KLD损失,可有效解决舰船密集排列和比例细长且方向任意所产生的漏检问题,在提高定位精度的同时... 展开更多; 关键词 YOLOv7-OBB算法舰船识别定向检测框混合注意力模块全局注意力机制 Partial卷积; 在线阅读下载PDF 职称材料

基于轻量化HPG−YOLOX−S模型的煤矸石图像精准识别被引量：9: 6; 作者陈彪卢兆林 +3 位作者代伟邵明于大伟董良《工矿自动化》北大核心 2022年第11期33-38,共6页; 针对现有基于视觉技术的煤矸石分选方法存在模型参数量大、特征提取能力差、识别精度低等问题,提出了一种基于轻量化Ghost−S网络与混合并联注意力模块(HPAM)YOLOX−S模型(HPG−YOLOX−S模型)的煤矸石识别方法。首先,在YOLOX−S模型主干网络... 展开更多; 关键词煤矸石检测图像识别轻量化网络 HPG−YOLOX−S 混合并联注意力模块; 在线阅读下载PDF 职称材料

题名融合混合注意力的自编码器视频异常检测被引量：3: 1; 作者郑重杨晓文谢剑斌欧阳楠楠忽欣谕王晋涛; 机构中北大学计算机科学与技术学院中北大学机器视觉与虚拟现实山西省重点实验室山西省视觉信息处理及智能机器人工程研究中心湖南中科助英智能科技研究院; 出处《计算机工程与设计》北大核心 2024年第2期516-523,共8页; 基金山西省科技重大专项计划“揭榜挂帅”基金项目(202201150401021) 国家自然科学基金项目(62106238、62272426) +1 种基金山西省科技成果转化引导专项基金项目(202104021301055)。; 文摘为提高视频异常检测的准确率,提出一种融合混合注意力的自编码器视频异常检测算法。针对自编码器网络强大的“泛化”能力可能重构异常行为问题,提出一种混合注意力模块(CSCFAM)并将其融合至编码器和解码器之间的跳跃连接层以限制异常行为的生成。为考虑正常样本的多样性,在编码器和解码器之间的瓶颈处引入存储记忆模块(Memory),记录正常样本潜在特征的原型模式。实验结果表明,该算法在UCSD Ped2、CUHK Avenue数据集上帧级AUC分别达到97.3%、87.0%,与当前先进的视频异常检测算法相比,异常检测能力得到有效提升。; 关键词视频异常检测自编码器跳跃连接混合注意力模块存储记忆模块异常行为原型模式; Keywords video anomaly detection autoencoder skip connection hybrid attention module memory module abnormal beha-vior prototype pattern; 分类号 TP391 [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

题名针对X线图像超分辨率重建的轻量残差注意力网络: 2; 作者杨昆齐晁仪刘天军艾尚璞闫森广刘秀玲薛林雁; 机构河北大学质量技术监督学院计量仪器与系统国家地方联合工程研究中心河北省新能源汽车动力系统轻量化技术创新中心河北大学电子信息工程学院河北省数字医疗工程重点实验室; 出处《河北大学学报(自然科学版)》北大核心 2025年第4期419-430,共12页; 基金河北省自然科学基金项目(F2022201037) 河北大学科研创新团队项目(IT2023B07)。; 文摘针对当前医学图像超分辨率重建算法复杂、参数量大等问题,提出了轻量化的X线医学图像超分辨率网络LDRAN(lightweight deep residual attention network).该方法设计了轻量且高效的残差块LDRB(lightweight deep residual block),在保证参数量不增加的条件下,通过增设卷积层来提取更为丰富的图像特征.为进一步提高卷积层间的信息传递效率,设计了一种新颖的残差级联方案IRSC(improved residual skip concatenation).同时,为应对医学影像中信噪比低的问题,构建了多维混合注意力机制模块CSPMA(channel-spatial-pixel mixed attention),该模块分别从通道、空间和像素3个维度筛选信息,从而显著增强了网络对关键图像特征的捕捉能力.实验结果表明,LDRAN在X线医学图像数据集Chest X-ray上的PSNR为36.81 dB,SSIM为0.8966,均取得了最优.并且能够更好地重建X线图像的细节和纹理.此外,LDRAN在3个自然图像数据集上的重建效果比多数具有代表性的算法更好.; 关键词超分辨重建轻量化深度残差块混合多维度注意力模块残差级联; Keywords super-resolution reconstruction lightweight deep residual block mixed multidimensional attention module residual cascade; 分类号 TP391 [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

题名基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型被引量：19: 3; 作者乔思波庞善臣王敏翟雪于世行丁桐; 机构中国石油大学(华东)计算机科学与技术学院中国石油大学(华东)控制科学与工程学院天津工业大学机械工程学院山东大学软件学院; 出处《电子学报》 EI CAS CSCD 北大核心 2021年第5期984-991,共8页; 基金山东省重大科技创新工程(No.2019TSLH0214) 泰山产业领军人才(No.tscy20180416) 国家自然科学基金(No.61873281,No.61972416)。; 文摘针对阿尔兹海默症、病变(如脑肿瘤)和健康老化的3类脑部CT图像分类问题,本文提出了一种改进的ResNet-10卷积神经网络模型.该模型在网络的残差映射结构中加入残差混合注意力模块,解决了原模型提取的特征分辨性弱的问题,精确捕捉了脑部组织在CT图像中的位置和内容信息;此外,本文设计了全局平均池化层,简化了模型的复杂度,并在其后引入Dropout机制,缓解了过拟合.在训练阶段,该模型建立了标签平滑交叉熵损失函数,使模型在样本数量有限的情况下仍有较强的泛化能力.系列实验证明了改进后的ResNet-10网络模型在分类脑部CT图像时达到97.47%的分类精度.; 关键词残差混合注意力模块标签平滑脑部CT 卷积神经网络; Keywords residual hybrid attention module label smoothing brain CT convolutional neural network; 分类号 TP399 [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

题名基于特征分治与融合的铁路扣件轻量化实时检测模型: 4; 作者鄢化彪林初欣黄绿娥李东丽刘词波徐方奇; 机构江西理工大学理学院江西理工大学电气工程与自动化学院; 出处《北京交通大学学报》北大核心 2025年第3期56-67,共12页; 基金国家自然科学基金(62001202) 江西省自然科学基金(20224BAB202036) +1 种基金江西省研究生创新专项资金(YC2022-S692)。; 文摘为解决嵌入式设备实时处理海量铁路扣件视觉图像数据时无法兼顾精确度与检测速度的问题,提出一种基于特征分治与融合的轻量化实时检测模型.首先,利用基于空间与通道特征的分治混合注意力模块强化模型的特征提取能力,降低图像中复杂背景对目标的干扰;其次,提出一种二重分治特征融合方法,提升对不同大小目标的检测能力,同时在检测头(YOLO Head)的代价体构建方面,引入可变焦距损失函数(Varifocal Loss,VFL)代替YOLOX-Nano检测头的二值交叉熵损失函数,提高轻量化实时检测的精度;再次,使用随机Alpha-IoU(RAL)损失函数动态调整参数,延缓算法的收敛速度从而优化模型的训练曲线,避免模型训练过程陷入局部最优解;最后,采集10233个检测目标并划分为6种类型,选择YOLOX-Nano、Faster R-CNN及YOLOv8n等主流目标检测模型作为对比进行实验.实验结果表明:所提模型的每秒帧数(Frames Per Second,FPS)为60.24,平均精度(Average Precision,AP)为83.40%,较基线模型提高了3.24%;参数量为2.31 M,较YOLOX-Tiny减少54.08%,浮点数计算量为1.99 G,较YOLOX-Tiny减少69.15%.研究成果可为轻量级实时检测模型与计算系统提供参考.; 关键词轻量级嵌入式系统分治混合注意力模块分治特征融合代价体构建; Keywords lightweight embedded system divide-and-conquer hybrid attention module divide-and-conquer feature fusion cost volume construction; 分类号 TP391.41 [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

题名一种改进的YOLOv7-OBB舰船识别方法: 5; 作者孙宏磊陈雯柏刘辉翔; 机构北京信息科技大学自动化学院; 出处《兵器装备工程学报》 CAS CSCD 北大核心 2024年第8期192-198,共7页; 基金国家自然科学基金项目(62276028)。; 文摘为解决高分辨率遥感图像中舰船识别准确率低的问题,提出了一种改进的YOLOv7-OBB舰船识别方法。引入定向检测框OBB(oriented bounding box)和KLD损失,可有效解决舰船密集排列和比例细长且方向任意所产生的漏检问题,在提高定位精度的同时保留了船只的目标方向信息;在YOLOv7基础框架的主干网络加入混合注意力模块ACmix,加强网络对于小目标检测的敏感度,能够提升对小型船只的检测精度;在颈部加入全局注意力机制(NAMAttention)和Partial卷积(PConv),在保证模型轻量化的同时,可提高PAN网络在复杂背景中捕捉关键特征的能力。实验结果表明,与YOLOv7模型相比,该方法在DOTAships数据集上取得了88.5%的平均精度,93.0%的准确率,84.7%的召回率,分别比YOLOv7提高了5%,0.9%和3.9%。与当前主流算法相比,该方法在检测效果上有着明显提升。; 关键词 YOLOv7-OBB算法舰船识别定向检测框混合注意力模块全局注意力机制 Partial卷积; Keywords YOLOv7-OBB algorithm ship identification oriented bounding box ACmix NAMAttention PConv; 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

题名基于轻量化HPG−YOLOX−S模型的煤矸石图像精准识别被引量：9: 6; 作者陈彪卢兆林代伟邵明于大伟董良; 机构中国矿业大学信息与控制工程学院中国矿业大学人工智能研究院大地工程开发(集团)有限公司国电建投内蒙古能源有限公司; 出处《工矿自动化》北大核心 2022年第11期33-38,共6页; 基金国家自然科学基金项目(52274275,51604271)。; 文摘针对现有基于视觉技术的煤矸石分选方法存在模型参数量大、特征提取能力差、识别精度低等问题,提出了一种基于轻量化Ghost−S网络与混合并联注意力模块(HPAM)YOLOX−S模型(HPG−YOLOX−S模型)的煤矸石识别方法。首先,在YOLOX−S模型主干网络中加入HPAM,以增强图像中重要信息,抑制次要信息,加强主干网络的特征提取能力。其次,将YOLOX−S模型主干网络替换为参数量更小的Ghost−S网络,提高利用率与特征融合能力。最后,在预测层中采用SIOU损失函数来替换YOLOX−S模型的损失函数,提升检测与定位精度,加强对目标的提取能力。为验证所提方法对大块煤矸石的检测效果,将HPG−YOLOX−S模型与YOLOX−S模型进行对比,结果表明,HPG−YOLOX−S模型对煤与矸石的识别准确率分别为99.53%和99.60%,较YOLOX−S模型识别准确率分别提高了2.51%,1.27%。有效性验证结果表明,HPG−YOLOX−S模型的精确率、召回率和F1值均在94%以上,较YOLOX−S模型分别提高了5.68%,3.51%,2.91%;HPG−YOLOX−S模型的参数为7.8 MB,较YOLOX−S模型降低了1.2 MB。消融试验结果表明,HPG−YOLOX−S模型的平均精度均值较YOLOX−S模型提高了9.17%。热力图可视化试验结果表明,HPG−YOLOX−S模型关注煤与矸石的纹理和轮廓等表面差异,对煤矸石目标的全局关注度更加显著。; 关键词煤矸石检测图像识别轻量化网络 HPG−YOLOX−S 混合并联注意力模块; Keywords coal-gangue detection image recognition lightweight network HPG-YOLOX-S hybrid parallel attention module; 分类号 TD94 [矿业工程—选矿]; 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	融合混合注意力的自编码器视频异常检测	郑重杨晓文谢剑斌欧阳楠楠忽欣谕王晋涛	《计算机工程与设计》北大核心	2024	3	在线阅读下载PDF 职称材料
2	针对X线图像超分辨率重建的轻量残差注意力网络	杨昆齐晁仪刘天军艾尚璞闫森广刘秀玲薛林雁	《河北大学学报(自然科学版)》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型	乔思波庞善臣王敏翟雪于世行丁桐	《电子学报》 EI CAS CSCD 北大核心	2021	19	在线阅读下载PDF 职称材料
4	基于特征分治与融合的铁路扣件轻量化实时检测模型	鄢化彪林初欣黄绿娥李东丽刘词波徐方奇	《北京交通大学学报》北大核心	2025	0	在线阅读下载PDF 职称材料
5	一种改进的YOLOv7-OBB舰船识别方法	孙宏磊陈雯柏刘辉翔	《兵器装备工程学报》 CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
6	基于轻量化HPG−YOLOX−S模型的煤矸石图像精准识别	陈彪卢兆林代伟邵明于大伟董良	《工矿自动化》北大核心	2022	9	在线阅读下载PDF 职称材料