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
DB-YOLO:特征增强融合的双骨干YOLOv8道路缺陷检测模型
被引量：
6
1
作者
叶发茂
张立
+1 位作者
袁燎
李大军
《计算机工程与应用》
CSCD
北大核心
2024年第24期260-269,共10页
虽然已经提出了许多基于深度学习的道路缺陷检测方法,但这些方法通常忽略了一些道路缺陷检测任务中非常重要的道路缺陷相关的边缘特征信息。为了充分利用这些边缘特征信息,提出了一种改进的双骨干YOLOv8模型(dual backbone YOLOv8 model...
虽然已经提出了许多基于深度学习的道路缺陷检测方法,但这些方法通常忽略了一些道路缺陷检测任务中非常重要的道路缺陷相关的边缘特征信息。为了充分利用这些边缘特征信息,提出了一种改进的双骨干YOLOv8模型(dual backbone YOLOv8 model,DB-YOLO)用于道路缺陷检测。设计了边缘特征提取模块(edge feature extraction model,EFEM)用于过滤图像低频信息,提取图像高频边缘信息。设计了双骨干网络来提取特征,在原模型基础上增加一个边缘特征骨干网络(edge feature backbone,EFB),对EFEM提取的图像高频边缘信息进行处理,提取边缘特征,为道路缺陷检测提供更丰富的特征。提出了一种新的特征增强融合模块(feature enhancement fusion module,FEFM)用于融合各种特征,并采用多个FEFM模块将边缘特征、不同级别的图像特征进行有机融合。引入Label smoothing策略减弱了数据集中标签质量的影响,增强了模型的泛化能力,进一步提升模型的检测精度。实验结果表明,在GRDDC2020数据集上,DB-YOLO_v8s的mAP和F1分别取得56.42%、56.13%,较YOLO_v8s分别提升了1.3和1.96个百分点,检测速度达到了64.94帧/s,满足实时检测要求。此外,DB-YOLO_v8s在官方测试集Test_1和Test_2上的F1分数分别为58.79%和58.52%,与其他方法相比,在两个测试数据集中F1分别高了0.65和1.37个百分点。因此,提出的模型可以提升道路缺陷检测精度。
展开更多
关键词
道路缺陷检测
YOLOv8
双骨干
特征增强融合模块
注意力机制
在线阅读
下载PDF
职称材料
基于Ghost卷积与自适应注意力的点云分类
被引量：
1
2
作者
舒密
王占刚
《现代电子技术》
北大核心
2025年第6期106-112,共7页
点云Transformer网络在提取三维点云的局部特征和携带的多级自注意力机制方面展现出了卓越的特征学习能力。然而,多级自注意力层对计算和内存资源的要求极高,且未充分考虑特征融合中层级间以及通道间的区分度与关联性。为解决上述问题,...
点云Transformer网络在提取三维点云的局部特征和携带的多级自注意力机制方面展现出了卓越的特征学习能力。然而,多级自注意力层对计算和内存资源的要求极高,且未充分考虑特征融合中层级间以及通道间的区分度与关联性。为解决上述问题,提出一种基于点云Transformer的轻量级特征增强融合分类网络EFF-LPCT。EFF-LPCT使用一维化Ghost卷积对原始网络进行重构,以降低计算复杂度和内存要求;引入自适应支路权重,以实现注意力层级间的多尺度特征融合;利用多个通道注意力模块增强特征的通道交互信息,以提高模型分类效果。在ModelNet40数据集进行的实验结果表明,EFF-LPCT在达到93.3%高精度的同时,相较于点云Transformer减少了1.11 GFLOPs的浮点计算量和0.86×10^(6)的参数量。
展开更多
关键词
点云分类
Transformer网络
Ghost卷积
特征增强融合模块
ECA通道注意力
特征
学习
在线阅读
下载PDF
职称材料
题名
DB-YOLO:特征增强融合的双骨干YOLOv8道路缺陷检测模型
被引量：
6
1
作者
叶发茂
张立
袁燎
李大军
机构
东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室
东华理工大学测绘与空间信息工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2024年第24期260-269,共10页
基金
国家自然科学基金(42461054)
江西省水利厅科技计划(202124ZDKT11)
+1 种基金
江西省自然科学基金(20202BABL202030)
自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室项目(MEMI-2021-2022-22)。
文摘
虽然已经提出了许多基于深度学习的道路缺陷检测方法,但这些方法通常忽略了一些道路缺陷检测任务中非常重要的道路缺陷相关的边缘特征信息。为了充分利用这些边缘特征信息,提出了一种改进的双骨干YOLOv8模型(dual backbone YOLOv8 model,DB-YOLO)用于道路缺陷检测。设计了边缘特征提取模块(edge feature extraction model,EFEM)用于过滤图像低频信息,提取图像高频边缘信息。设计了双骨干网络来提取特征,在原模型基础上增加一个边缘特征骨干网络(edge feature backbone,EFB),对EFEM提取的图像高频边缘信息进行处理,提取边缘特征,为道路缺陷检测提供更丰富的特征。提出了一种新的特征增强融合模块(feature enhancement fusion module,FEFM)用于融合各种特征,并采用多个FEFM模块将边缘特征、不同级别的图像特征进行有机融合。引入Label smoothing策略减弱了数据集中标签质量的影响,增强了模型的泛化能力,进一步提升模型的检测精度。实验结果表明,在GRDDC2020数据集上,DB-YOLO_v8s的mAP和F1分别取得56.42%、56.13%,较YOLO_v8s分别提升了1.3和1.96个百分点,检测速度达到了64.94帧/s,满足实时检测要求。此外,DB-YOLO_v8s在官方测试集Test_1和Test_2上的F1分数分别为58.79%和58.52%,与其他方法相比,在两个测试数据集中F1分别高了0.65和1.37个百分点。因此,提出的模型可以提升道路缺陷检测精度。
关键词
道路缺陷检测
YOLOv8
双骨干
特征增强融合模块
注意力机制
Keywords
road defect detection
YOLOv8
dual backbone
feature enhancement fusion module
attention mechanism
分类号
U418.6 [交通运输工程—道路与铁道工程]
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
基于Ghost卷积与自适应注意力的点云分类
被引量：
1
2
作者
舒密
王占刚
机构
北京信息科技大学信息与通信工程学院
出处
《现代电子技术》
北大核心
2025年第6期106-112,共7页
文摘
点云Transformer网络在提取三维点云的局部特征和携带的多级自注意力机制方面展现出了卓越的特征学习能力。然而,多级自注意力层对计算和内存资源的要求极高,且未充分考虑特征融合中层级间以及通道间的区分度与关联性。为解决上述问题,提出一种基于点云Transformer的轻量级特征增强融合分类网络EFF-LPCT。EFF-LPCT使用一维化Ghost卷积对原始网络进行重构,以降低计算复杂度和内存要求;引入自适应支路权重,以实现注意力层级间的多尺度特征融合;利用多个通道注意力模块增强特征的通道交互信息,以提高模型分类效果。在ModelNet40数据集进行的实验结果表明,EFF-LPCT在达到93.3%高精度的同时,相较于点云Transformer减少了1.11 GFLOPs的浮点计算量和0.86×10^(6)的参数量。
关键词
点云分类
Transformer网络
Ghost卷积
特征增强融合模块
ECA通道注意力
特征
学习
Keywords
point cloud classification
Transformer network
Ghost convolution
feature enhancement fusion module
ECA channel attention
feature learning
分类号
TN249-34 [电子电信—物理电子学]
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
作者
出处
发文年
被引量
操作
1
DB-YOLO:特征增强融合的双骨干YOLOv8道路缺陷检测模型
叶发茂
张立
袁燎
李大军
《计算机工程与应用》
CSCD
北大核心
2024
6
在线阅读
下载PDF
职称材料
2
基于Ghost卷积与自适应注意力的点云分类
舒密
王占刚
《现代电子技术》
北大核心
2025
1
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
