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
3
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
基于改进YOLOv4算法的煤矿火灾视频智能识别方法研究
1
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
群组归一化
动态注意力机制
在线阅读
下载PDF
职称材料
基于混合采样和SE_ResNet_SVM的不平衡多分类研究
2
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
群组归一化
ResNet
支持向量机
在线阅读
下载PDF
职称材料
基于CNN和Group Normalization的校园垃圾图像分类
被引量：
9
3
作者
王玉
王梦佳
张伟红
《吉林大学学报（信息科学版）》
CAS
2020年第6期744-750,共7页
为解决大学校园的垃圾回收分类问题,提出了一种基于卷积神经网络和归一化技术的垃圾图像分类方法,不需要对输入的图像进行复杂的处理,网络模型即可根据算法提取图像特征,通过加入群组归一化(Group Normalization)和网络模型各层之间的协...
为解决大学校园的垃圾回收分类问题,提出了一种基于卷积神经网络和归一化技术的垃圾图像分类方法,不需要对输入的图像进行复杂的处理,网络模型即可根据算法提取图像特征,通过加入群组归一化(Group Normalization)和网络模型各层之间的协作,克服传统分类算法的缺点,实现对垃圾图像的分类。实验表明,该识别方法具有较高准确率,可以较好识别不可回收及可回收垃圾。
展开更多
关键词
卷积神经网络
群组归一化
图像分类
深度学习
在线阅读
下载PDF
职称材料
题名
基于改进YOLOv4算法的煤矿火灾视频智能识别方法研究
1
作者
王伟峰
李煜
田丰
张宝宝
何地
李高爽
李卓洋
机构
西安科技大学安全科学与工程学院
西安科技大学通信与信息工程学院
西安科技大学电气与控制工程学院
出处
《中国煤炭》
北大核心
2025年第2期88-95,共8页
基金
陕西省重点研发计划项目(2021SF-472,2022QCY-LL-70)
陕西省秦创原“科学家+工程师”队伍建设项目(2023KXJ-052)。
文摘
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。
关键词
YOLOv4
CSP改进
SPP改进
群组归一化
动态注意力机制
Keywords
YOLOv4
CSP improvement
SPP improvement
group normalization
dynamic attention mechanism
分类号
TD752 [矿业工程—矿井通风与安全]
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
基于混合采样和SE_ResNet_SVM的不平衡多分类研究
2
作者
矫桂娥
翁铜铜
张文俊
机构
上海大学上海电影学院
上海建桥学院信息技术学院
上海海洋大学信息学院
出处
《应用科学学报》
CAS
CSCD
北大核心
2024年第6期1000-1015,共16页
基金
国家自然科学基金(No.61572434)
上海科学技术委员会科普项目(No.19DZ22048)资助。
文摘
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%。
关键词
不平衡多分类
混合采样
压缩与激励模块
群组归一化
ResNet
支持向量机
Keywords
unbalanced multi-classification
mixed sampling
squeeze and excitation(SE)module
group normalization
ResNet
support vector machines(SVM)
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于CNN和Group Normalization的校园垃圾图像分类
被引量：
9
3
作者
王玉
王梦佳
张伟红
机构
吉林大学应用技术学院
出处
《吉林大学学报（信息科学版）》
CAS
2020年第6期744-750,共7页
基金
吉林省大学生创新创业训练计划基金资助项目(201910183653)。
文摘
为解决大学校园的垃圾回收分类问题,提出了一种基于卷积神经网络和归一化技术的垃圾图像分类方法,不需要对输入的图像进行复杂的处理,网络模型即可根据算法提取图像特征,通过加入群组归一化(Group Normalization)和网络模型各层之间的协作,克服传统分类算法的缺点,实现对垃圾图像的分类。实验表明,该识别方法具有较高准确率,可以较好识别不可回收及可回收垃圾。
关键词
卷积神经网络
群组归一化
图像分类
深度学习
Keywords
convolutional neural networks
group normalization
image classification
deep learning
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
作者
出处
发文年
被引量
操作
1
基于改进YOLOv4算法的煤矿火灾视频智能识别方法研究
王伟峰
李煜
田丰
张宝宝
何地
李高爽
李卓洋
《中国煤炭》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于混合采样和SE_ResNet_SVM的不平衡多分类研究
矫桂娥
翁铜铜
张文俊
《应用科学学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
基于CNN和Group Normalization的校园垃圾图像分类
王玉
王梦佳
张伟红
《吉林大学学报（信息科学版）》
CAS
2020
9
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
