-
题名基于双流自适应时空增强图卷积网络的手语识别
被引量：1
- 1
-
-
作者
金彦亮
吴筱溦
-
机构
上海大学通信与信息工程学院
上海大学上海先进通信与数据科学研究院
-
出处
《应用科学学报》
CAS
CSCD
北大核心
2024年第2期189-199,共11页
-
基金
上海市自然科学基金(No.22ZR1422200)
上海市科委重点基金(No.19511102803)
上海市产业项目(No.XTCX-KJ-2022-68)资助。
-
文摘
针对提取手语特征过程中出现的信息表征能力差、信息不完整问题,设计了一种双流自适应时空增强图卷积网络(two-stream adaptive enhanced spatial temporal graph convolutional network,TAEST-GCN)实现基于孤立词的手语识别。该网络使用人体身体、手部和面部节点作为输入,构造基于人体关节和骨骼的双流结构。通过自适应时空图卷积模块生成不同部位之间的连接,并充分利用其中的位置和方向信息。同时采用残差连接方式设计自适应多尺度时空注意力模块,进一步增强该网络在空域和时域的卷积能力。将双流网络提取到的有效特征进行加权融合,可以分类输出手语词汇。最后在公开的中文手语孤立词数据集上进行实验,在100类词汇和500类词汇分类任务中准确率达到了95.57%和89.62%。
-
关键词
骨架数据
双流结构
自适应时空图卷积模块
自适应多尺度时空注意力模块
特征融合
-
Keywords
skeleton data
two-stream structure
adaptive spatial temporal graph convolutional module
adaptive multi-scale spatial temporal attention module
feature fusion
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名面向城市复杂场景的多尺度监督融合变化检测
- 2
-
-
作者
潘建平
谢鹏
郭志豪
林娜
张慧娟
-
机构
重庆交通大学智慧城市学院
宁夏回族自治区遥感调查院
-
出处
《遥感信息》
CSCD
北大核心
2024年第4期23-32,共10页
-
基金
宁夏自治区重点研发计划(2022CMG02014)
重庆市研究生联合培养基地建设项目(JDLHPYJD2019004)
自然资源部国土空间规划监测评估预警重点实验室开放基金资助项目(LMEE-KF2023001)。
-
文摘
城市复杂场景中,地物形状多样,光照和成像角度变化大会导致变化检测结果受到干扰。为解决这些问题,文章提出了一种双上下文多尺度监督融合的网络模型(dual context multi-scale supervised fusion network model,DCMSFNet)。首先,在编码部分使用双上下文增强模块获得地物丰富的全局上下文信息。在解码部分,采用级联的方法组合特征,然后通过自适应注意力模块捕捉不同尺度的变化关系,设计多尺度监督融合模块,增强深度网络融合,获得具有更高辨别能力的变化区域特征,将不同层级的输出结果与主网络的重构变化图融合形成最终的变化检测结果。该模型在LEVIR-CD和SYSU-CD变化检测数据集取得了较好的结果,F1-score分别提高了1.58%和2.17%,可更加精确识别复杂场景的变化区域,进一步减少无关因素引起的误检和漏检,且对目标地物边缘的检测更加平滑。
-
关键词
深度学习
变化检测
双上下文增强
自适应注意力模块
多尺度监督融合
-
Keywords
deep learning
change detection
dual context enhancement
adaptive attention module
multi-scale supervised fusion
-
分类号
P237
[天文地球—摄影测量与遥感]
-
-
题名改进YOLOv8n的果园番茄目标检测算法
被引量：4
- 3
-
-
作者
杨国亮
盛杨杨
洪鑫芳
张佳琦
-
机构
江西理工大学电气工程与自动化学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第23期238-248,共11页
-
基金
江西省教育厅科技计划项目(GJJ210861,GJJ200879)。
-
文摘
针对自然果园环境下,不同生长周期的番茄姿态多变,易受光线、绿色叶片背景影响导致图像特征不明显,番茄果实生长时易出现扎堆密集以及枝叶藤蔓遮挡等情况,时常造成漏检、误检等问题,提出了一种基于改进YOLOv8n的番茄生长周期采摘检测方法。在Backbone中设计超分辨率自适应注意力模块(super-resolution adaptive attention module,SPAAM),有效提升特征图像分辨率,改善小目标番茄特征提取不充分的问题,并结合坐标注意力机制(coordinate attention,CA)提高关键位置信息提取能力;设计C2f-DCF替换原有C2f,用于自适应番茄姿态形变特征,提高对形变物体空间布局的建模能力,同时提升计算效率;设计GSCHead降低头部参数量,并且添加四倍下采样分支提高对小目标番茄的约束效果;引入Wise-IoU损失函数,提升模型在不同质量图像上训练的泛化性能。改进后的算法在测试集上精确率达到93.9%,相较于原模型提升1.9个百分点,参数量降低0.18×106,有效改善了遮挡情况的漏检率和小目标番茄的检测性能,同时检测速度达到139 FPS,可以便捷地部署到终端完成实时检测。
-
关键词
番茄检测
YOLOv8n
超分辨率自适应注意力模块(SPAAM)
C2f-DCF
GSCHead
损失函数
-
Keywords
tomato detection
YOLOv8n
super-resolution adaptive attention module(SPAAM)
C2f-DCF
GSCHead
loss function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
