期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于自注意力机制和侧输出损失函数的视网膜血管分割网络
1
作者 于振华 闫本聪 王迎美 《科学技术与工程》 北大核心 2025年第21期8993-9001,共9页
图像分割是医学图像分析中的一个基本问题,基于深度学习的典型UNet架构(UNet architecture)分割网络模型及其变式被广泛应用于视网膜血管分割之中。但是UNet网络通过局部卷积模块提取图像的特征信息,难以关联图像的全局信息,无法有效捕... 图像分割是医学图像分析中的一个基本问题,基于深度学习的典型UNet架构(UNet architecture)分割网络模型及其变式被广泛应用于视网膜血管分割之中。但是UNet网络通过局部卷积模块提取图像的特征信息,难以关联图像的全局信息,无法有效捕捉像素之间的长距离依赖关系。考虑到UNet网络模型存在的问题和视网膜血管图像的特点,在UNet跳跃连接中加入注意力模块,可以捕捉血管之间的长距离依赖关系。此外,为增强网络的分割能力,使用群归一化(group normalization,GN)代替UNet网络模型原始的批归一化(batch normalization,BN),对不同的通道选择对应的分组。为更新参数和优化网络,利用侧输出层和最后的输出层设计了交叉熵损失函数。在DRIVE数据集和CHASEDB1数据集上进行了实验,实验结果表明所提出的模型有更好的图像分割效果。 展开更多
关键词 UNet Swin-UNet 群归一化 侧输出层 视网膜血管分割
在线阅读 下载PDF
基于改进YOLOv4算法的煤矿火灾视频智能识别方法研究 被引量:1
2
作者 王伟峰 李煜 +4 位作者 田丰 张宝宝 何地 李高爽 李卓洋 《中国煤炭》 北大核心 2025年第2期88-95,共8页
随着矿井智能化建设,煤矿火灾风险隐患逐渐增加。针对现有火灾检测算法存在准确率低以及对小火焰识别差的问题,提出一种煤矿火灾视频智能识别方法。该方法以YOLOv4为识别模型,采用群组归一化算法对模型归一化算法进行改进,并利用改进算... 随着矿井智能化建设,煤矿火灾风险隐患逐渐增加。针对现有火灾检测算法存在准确率低以及对小火焰识别差的问题,提出一种煤矿火灾视频智能识别方法。该方法以YOLOv4为识别模型,采用群组归一化算法对模型归一化算法进行改进,并利用改进算法降低模型训练时批量值大小引起的误差;为降低矿井环境对火焰识别造成的火焰边缘信息损失,采用随机池化算法与SPP金字塔算法融合、深度可分离卷积与CSP算法融合,实现对动态演化的火焰进行跨尺度特征提取并融合、避免训练过程中的过拟合现象;为降低光源分布不均对视频火焰识别的影响,在模型中引入动态注意力机制,根据火灾视频识别信息的刺激强弱自动调整感受野大小。将标注后的火灾视频图像数据集输入到F YOLOv4算法模型进行训练及测试。结果表明,改进后的F YOLOv4火灾识别模型的平均检测精度达到97.3%左右,较原始模型提升了7.85%,表明该方法可提高检测速度和精度,可有效提高煤矿火灾识别的准确率。 展开更多
关键词 YOLOv4 CSP改进 SPP改进 归一化 动态注意力机制
在线阅读 下载PDF
基于混合采样和SE_ResNet_SVM的不平衡多分类研究 被引量:2
3
作者 矫桂娥 翁铜铜 张文俊 《应用科学学报》 CAS CSCD 北大核心 2024年第6期1000-1015,共16页
针对结构化多分类算法中不平衡数据集类别分布不均导致分类难度增加的问题,本文提出了一种基于混合采样、压缩与激励(squeeze and excitation, SE)模块、改进深度残差网络和支持向量机(support vector machines, SVM)的网络模型SNSMRS (... 针对结构化多分类算法中不平衡数据集类别分布不均导致分类难度增加的问题,本文提出了一种基于混合采样、压缩与激励(squeeze and excitation, SE)模块、改进深度残差网络和支持向量机(support vector machines, SVM)的网络模型SNSMRS (SMOTEENNmixed residual networks-SVM network)。首先,通过合成少数过采样和编辑最近邻技术来改善数据分布;然后,构建融合SE模块与通过融合批次归一化和群组归一化的深度残差网络来提取特征;最后,通过SVM进行输出网络模型。其中,SE模块增强了模型对特征的区分能力,提升了模型的鲁棒性;基于融合归一化的残差网络受批次大小的影响较小,并且避免了传统神经网络梯度消失和精度退化等问题,增强了网络的稳定性与准确度;SVM可以根据特征向量在空间上的分布进行全部特征的分割,特征利用率高,提高了模型的分类精度。在7个不同规模和领域的非平衡公开数据集上进行了对比和消融实验,结果表明,本文所提的网络模型SNSMRS不仅优于其他深度学习模型,而且相对于未改良的ResNet,Macro-F1和G-mean值分别提升了约3%和4%,同时在4个数据集上的Macro-F1和G-mean值均超过了95%。 展开更多
关键词 不平衡多分类 混合采样 压缩与激励模块 归一化 ResNet 支持向量机
在线阅读 下载PDF
基于改进深度学习的航拍滑坡检测方法
4
作者 杨靛青 毛艳萍 《计算机工程与设计》 北大核心 2024年第1期268-274,共7页
为及时发现滑坡险情展开应急救援,提出一种结合逐通道不同阈值的深度残差收缩网络(DRSN-CW)方法的更快速区域卷积神经网络(Faster-RCNN)模型的航拍图像滑坡检测算法。利用图像增强的伽马变换、高斯滤波方法提高图片的质量;使用群组归一... 为及时发现滑坡险情展开应急救援,提出一种结合逐通道不同阈值的深度残差收缩网络(DRSN-CW)方法的更快速区域卷积神经网络(Faster-RCNN)模型的航拍图像滑坡检测算法。利用图像增强的伽马变换、高斯滤波方法提高图片的质量;使用群组归一化方法消除batchsize大小对模型的影响;为减少噪声以及无关特征区域的干扰,采用DRSN-CW网络对滑坡检测目标进行精准定位。实验结果表明,改进后模型与先前模型相比F1值以及平均精度分别增加了10.7%、10.2%,可以有效检测滑坡险情。 展开更多
关键词 更快速区域卷积神经网络 滑坡检测 无人机航拍 伽马变换 高斯滤波 归一化方法 逐通道不同阈值的深度残差收缩网络
在线阅读 下载PDF
Dynamic collision avoidance for cooperative fixed-wing UAV swarm based on normalized artificial potential field optimization 被引量:11
5
作者 LIU Wei-heng ZHENG Xin DENG Zhi-hong 《Journal of Central South University》 SCIE EI CAS CSCD 2021年第10期3159-3172,共14页
Cooperative path planning is an important area in fixed-wing UAV swarm.However,avoiding multiple timevarying obstacles and avoiding local optimum are two challenges for existing approaches in a dynamic environment.Fir... Cooperative path planning is an important area in fixed-wing UAV swarm.However,avoiding multiple timevarying obstacles and avoiding local optimum are two challenges for existing approaches in a dynamic environment.Firstly,a normalized artificial potential field optimization is proposed by reconstructing a novel function with anisotropy in each dimension,which can make the flight speed of a fixed UAV swarm independent of the repulsive/attractive gain coefficient and avoid trapping into local optimization and local oscillation.Then,taking into account minimum velocity and turning angular velocity of fixed-wing UAV swarm,a strategy of decomposing target vector to avoid moving obstacles and pop-up threats is proposed.Finally,several simulations are carried out to illustrate superiority and effectiveness. 展开更多
关键词 fixed-wing UAV swarm cooperative path planning normalized artificial potential field dynamic obstacle avoidance local optimization
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部