-
题名基于样式权重调制技术的少样本火焰图像增强
- 1
-
-
作者
李明杰
胡羿
易正明
-
机构
武汉科技大学省部共建耐火材料与冶金国家重点实验室
-
出处
《计算机科学》
北大核心
2025年第S1期491-497,共7页
-
基金
湖北省大学生2023创新创业训练计划(S202310488054)。
-
文摘
少样本图像生成技术仅依靠稀缺有限的目标样本,就能够生成以假乱真和多样化的图像,这可以为下游的目标识别任务构建可靠的数据集。这项工作提出了一种基于权重调制的少样本生成模型,在仅输入3张目标图像的条件下,便能获得与目标样本具有相同内容且特征呈现多样化的图像。具体来说,对生成器中的编码器和解码器经过了精心设计,采用了梯度流更好的C2F结构来搭建金字塔型网络构架,最大程度地还原图像在不同层次的原始特征。采用了基于注意力机制的特征融合方法,引入了特征样式潜码来控制特征融合质量。其中,样式潜码使用了权重缩放的策略,有效地消除了生成伪影,使生成图像更加逼真。同时,还使用了优化的特征长度探测算法来对源域和目标域的重要信息进行接近度探测。这一技巧能够使模型在源域中通过预训练得到的先验信息更好地迁移到目标域中。针对火焰图像样本的生成任务,给出了定性和定量的对比结果,所提出的模型能够切实提高yolov8算法下的火焰目标识别性能,实质性地提升了数据增强的效果。
-
关键词
少样本生成
火焰数据集
特征融合模块
迁移学习
预训练
权重调制
目标识别
样式潜码
-
Keywords
Few samples generation
Flame dataset
Feature fusion module
Transfer learning
Pre-training
Weight modulation
Target recognition
Style latent code
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的干扰环境下火焰识别研究
被引量：3
- 2
-
-
作者
高伟
孙意
李艳超
周永浩
-
机构
大连理工大学化工学院精细化工国家重点实验室
-
出处
《安全与环境学报》
CAS
CSCD
北大核心
2023年第6期1889-1898,共10页
-
基金
国家自然科学基金优秀青年基金项目(51922025)。
-
文摘
传统的火焰识别方法依赖于提取火焰的物理特征,存在精确度差、应用范围窄等问题。通过对比已有的线性网络、谷歌网络和残差网络的性能,确定残差网络的误差最小,准确度最高,并选取残差网络构建火焰特征识别网络DarkNet53。自行构建数据集,并将干扰对象设置为灯光、太阳和火焰图标,将三者与火焰图像一起构成数据集。基于YOLO v3算法在上述干扰环境下对火焰进行识别和网路性能测试。结果表明,基于深度学习的火焰识别方法能够准确区分火焰和类似火焰的干扰因素,实现了在多干扰环境下对火焰的准确有效识别。仅使用普通的广角摄像机就可以对开阔空间中的火焰进行准确识别,降低了应用成本,此外,该方法还适用于多种场景,提高了方法的适用范围。
-
关键词
安全工程技术科学
火焰识别
火焰数据集
卷积神经网络
残差网络
-
Keywords
safety science and engineering
fire recognition
fire data set
convolutional neural network
residual network
-
分类号
X932
[环境科学与工程—安全科学]
-
