-
题名基于递进式特征增强聚合的伪装目标检测
被引量：6
- 1
-
-
作者
谭湘粤
胡晓
杨佳信
向俊将
-
机构
广州大学电子与通信工程学院
广州大学机械与电气工程学院
-
出处
《计算机应用》
CSCD
北大核心
2022年第7期2192-2200,共9页
-
基金
国家自然科学基金资助项目(62076075)。
-
文摘
伪装目标检测(COD)旨在检测隐藏在复杂环境中的目标。现有COD算法在结合多层次特征时,忽略了特征的表达和融合方式对检测性能的影响。为此,提出一种基于递进式特征增强聚合的COD算法。首先,通过主干网络提取多级特征;然后,为了提高特征的表达能力,使用由特征增强模块(FEM)构成的增强网络对多层次特征进行增强;最后,在聚合网络中设计邻近聚合模块(AAM)实现相邻特征之间的信息融合,以突显伪装目标区域的特征,并提出新的递进式聚合策略(PAS)通过渐进的方式聚合邻近特征,从而在实现多层特征有效融合的同时抑制噪声。在3个公开数据集上的实验表明,所提算法相较于12种最先进的算法在4个客观评价指标上均取得最优表现,尤其是在COD10K数据集上所提算法的加权的F测评法和平均绝对误差(MAE)分别达到了0.809和0.037。由此可见,所提算法在COD任务上拥有较优的性能。
-
关键词
卷积神经网络
伪装目标检测
特征增强
邻近聚合模块
递进式聚合策略
-
Keywords
Convolutional Neural Network(CNN)
Camouflaged Object Detection(COD)
feature enhancement
Adjacency Aggregation Module(AAM)
Progressive Aggregation Strategy(PAS)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于局部特征增强的视网膜血管分割
- 2
-
-
作者
王倩
辛月兰
-
机构
青海师范大学物理与电子信息工程学院
省部共建藏语智能信息处理及应用国家重点实验室
-
出处
《激光杂志》
CAS
北大核心
2024年第4期216-222,共7页
-
基金
国家自然科学基金项目(No.61662062)
青海省自然科学基金项目(No.2022-ZJ-929)。
-
文摘
视网膜血管具有细小复杂的特点,在对其进行分割时,经常出现噪点、断裂和欠分割等问题。针对此现象,提出一种基于局部特征增强的轻量化网络LRU-Net,以捕获更多细小血管特征。首先,在通道注意力模块中加入特征提取模块,对输入特征进行二次特征提取,以得到更多的细节特征;其次,设计了一个特征融合模块,在解码器中能更有效地融合高级和低级特性,加强最终的特征表示;最后,设计了一个上下文聚合模块,提取最深层特征不同分辨率的多尺度信息,然后进行拼接,使进入上采样的输入特征更加细化。在FIVES和OCTA-500数据集上的实验结果表明,与基础网络U-Net相比,本文所提方法在做到轻量化的同时,视网膜血管分割的准确度也有了一定的提升,在两个数据集上分别达到了98.45%、97.05%。
-
关键词
特征增强
特征融合模块
上下文聚合模块
视网膜血管分割
-
Keywords
feature enhancement
feature fusion module
context aggregation module
retinal vascular segmenta-tion
-
分类号
TN209
[电子电信—物理电子学]
-
-
题名改进YOLO11的高精度课堂行为检测算法
- 3
-
-
作者
曹燚
曹倩
钱承山
袁程胜
-
机构
无锡学院物联网工程学院
南京信息工程大学自动化学院
南京信息工程大学计算机学院
-
出处
《计算机科学与探索》
北大核心
2025年第8期2135-2148,共14页
-
基金
无锡市“太湖之光”科技攻关(基础研究)项目(K20241046)
国家传感网工程技术研究中心开放课题(2024YJZXKFKT02)
+2 种基金
国家自然科学基金(62102189,62122032)
江苏高校哲学社会科学研究一般项目(2023SJYB0919)
无锡学院引进人才科研启动专项经费(2022r043)。
-
文摘
针对课堂场景中学生目标小、分布密集且易被遮挡,导致检测精度低、识别效果不佳的问题,提出了一种基于YOLO11改进的课堂行为检测算法MFD-YOLO。该算法通过一系列创新设计,显著提升了课堂行为检测的精度和识别效果。设计了多维度特征流动网络(MFFN),通过结合维度感知选择性融合模块和多维特征扩散机制,增强了小目标的特征表示能力,显著提高了检测精度。在主干网络中构建了特征增强聚合模块(FEAM),通过整合不同尺度感受野的信息来优化特征提取过程,增强了网络对多尺度特征的增强与聚合能力,从而提高了对密集学生群体的检测能力。将传统检测头改进为动态检测头(DyHead),通过增强多尺度感知能力,有效提升了对被遮挡学生的识别能力,减少了误检和漏检现象。实验结果表明,与基础模型YOLO11n相比,MFD-YOLO在POCO数据集上的mAP0.50和mAP0.50:0.95分别提高了4.2和6.0个百分点,显著提升了检测精度,并有效降低了误检和漏检率;在SCB-Dataset3数据集上,mAP0.50和mAP0.50:0.95分别提高了3.4和4.4个百分点,进一步验证了改进算法的适用性和鲁棒性,证明了其在课堂行为检测中的应用潜力。
-
关键词
课堂行为检测
高精度
YOLO11
多维度特征流动网络(MFFN)
特征增强聚合模块(feam)
-
Keywords
classroom behavior detection
high accuracy
YOLO11
multi-dimensional feature flow network(MFFN)
feature enhancement aggregation module(feam)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
