针对X线图像超分辨率重建的轻量残差注意力网络

1

作者 杨昆 齐晁仪 +4 位作者 刘天军 艾尚璞 闫森广 刘秀玲 薛林雁 《河北大学学报(自然科学版)》 北大核心 2025年第4期419-430,共12页

针对当前医学图像超分辨率重建算法复杂、参数量大等问题,提出了轻量化的X线医学图像超分辨率网络LDRAN(lightweight deep residual attention network).该方法设计了轻量且高效的残差块LDRB(lightweight deep residual block),在保证... 针对当前医学图像超分辨率重建算法复杂、参数量大等问题,提出了轻量化的X线医学图像超分辨率网络LDRAN(lightweight deep residual attention network).该方法设计了轻量且高效的残差块LDRB(lightweight deep residual block),在保证参数量不增加的条件下,通过增设卷积层来提取更为丰富的图像特征.为进一步提高卷积层间的信息传递效率,设计了一种新颖的残差级联方案IRSC(improved residual skip concatenation).同时,为应对医学影像中信噪比低的问题,构建了多维混合注意力机制模块CSPMA(channel-spatial-pixel mixed attention),该模块分别从通道、空间和像素3个维度筛选信息,从而显著增强了网络对关键图像特征的捕捉能力.实验结果表明,LDRAN在X线医学图像数据集Chest X-ray上的PSNR为36.81 dB,SSIM为0.8966,均取得了最优.并且能够更好地重建X线图像的细节和纹理.此外,LDRAN在3个自然图像数据集上的重建效果比多数具有代表性的算法更好. 展开更多

关键词 超分辨重建 轻量化 深度残差块 混合多维度注意力模块 残差级联

在线阅读 下载PDF 职称材料

基于挤压激励的轻量化注意力机制模块 被引量：8

2

作者 吕振虎 许新征 张芳艳 《计算机应用》 CSCD 北大核心 2022年第8期2353-2360,共8页

针对向卷积神经网络(CNN)中嵌入注意力机制模块以提高模型应用精度导致参数和计算量增加的问题,提出基于挤压激励的轻量化高度维度挤压激励(HD-SE)模块和宽度维度挤压激励(WD-SE)模块。为了充分利用特征图中潜在的信息,HD-SE对卷积层输... 针对向卷积神经网络(CNN)中嵌入注意力机制模块以提高模型应用精度导致参数和计算量增加的问题,提出基于挤压激励的轻量化高度维度挤压激励(HD-SE)模块和宽度维度挤压激励(WD-SE)模块。为了充分利用特征图中潜在的信息,HD-SE对卷积层输出的特征图在高度维度上进行挤压激励操作,获得高度维度上的权重信息;而WD-SE在宽度维度上进行挤压激励操作,以得到特征图宽度维度上的权重信息;然后,将得到的权重信息分别应用于对应维度的特征图张量,以提高模型的应用精度。将HD-SE与WD-SE分别嵌入VGG16、ResNet56、MobileNetV1和MobileNetV2模型中,在CIFAR10和CIFAR100数据集上进行的实验结果表明,与挤压激励(SE)模块、协调注意力(CA)模块、卷积块注意力模块(CBAM)和高效通道注意力(ECA)模块等先进的注意力机制模块相比,HD-SE与WDSE在向网络模型中增加的参数和计算量更少的同时得到的精度相似或者更高。 展开更多

关键词 卷积神经网络 挤压激励 轻量化 多维度 注意力机制模块

在线阅读 下载PDF 职称材料

基于注意力机制轻量化模型的植物病害识别方法

3

作者 苏航 陈旭昊 +3 位作者 寿德荣 张朝阳 许彪 孙丙宇 《江苏农业学报》 CSCD 北大核心 2024年第8期1389-1399,共11页

针对现有植物病害识别模型存在响应速度慢、参数量多、计算机内存资源消耗大等问题,本研究提出了一种轻量化神经网络模型,该模型由特征提取层、特征增强层和分类器组成。为了减小模型大小并提高网络响应速度,在特征提取层中使用深度可... 针对现有植物病害识别模型存在响应速度慢、参数量多、计算机内存资源消耗大等问题,本研究提出了一种轻量化神经网络模型,该模型由特征提取层、特征增强层和分类器组成。为了减小模型大小并提高网络响应速度,在特征提取层中使用深度可分离卷积进行特征提取。为了防止网络传播过程中的梯度消失并增强病害像素特征融合,在特征提取层中引入了大卷积核倒置残差结构(IRBCKS)模块。此外,在特征增强层集成了轻量级卷积块注意力模块(CBAM)注意力机制,以捕捉植物病害相关图像中像素之间的关系,增强关键信息的提取。最后,采用剪枝技术剔除模型中冗余特征信息,从而再次减少模型参数量,形成最终的轻量级网络模型Cut-MobileNet。为验证该模型的先进性,将其与轻量化模型(MobileNet V2、SqueezeNet、GoogLeNet)和非轻量化模型(Vision Transformer、AlexNet)进行性能对比,研究结果表明,Cut-MobileNet在浮点运算量、准确率、单张图片推理时间、参数量、F1值和模型大小等性能指标上都取得了较优的效果。 展开更多

关键词 模型剪枝 卷积块注意力模块(CBAM)注意力机制 大卷积核倒置残差结构(IRBCKS)模块 植物病害 轻量化网络

在线阅读 下载PDF 职称材料

基于YOLO v5的农田杂草识别轻量化方法研究 被引量：26

4

作者 冀汶莉 刘洲 邢海花 《农业机械学报》 EI CAS CSCD 北大核心 2024年第1期212-222,293,共12页

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MS... 针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。 展开更多

关键词 杂草识别 目标检测 YOLO v5s 轻量化特征提取网络 Ghost卷积模块 注意力机制

在线阅读 下载PDF 职称材料

结合轻量化与多尺度融合的交通标志检测算法 被引量：3

5

作者 兰红 王惠钊 《计算机工程》 CAS CSCD 北大核心 2024年第10期381-392,共12页

交通标志检测在自动驾驶领域具有重要的应用价值,及时准确地检测交通目标对提高驾驶安全性和预防交通事故具有重要意义。针对交通标志尺寸小,易受遮挡,在复杂环境下容易出现漏检、错检等问题,在YOLOv8的结构基础上提出一种结合轻量化与... 交通标志检测在自动驾驶领域具有重要的应用价值,及时准确地检测交通目标对提高驾驶安全性和预防交通事故具有重要意义。针对交通标志尺寸小,易受遮挡,在复杂环境下容易出现漏检、错检等问题,在YOLOv8的结构基础上提出一种结合轻量化与多尺度融合的交通标志检测网络架构M-YOLO,构建M-YOLOs模型来应对高精度需求的检测任务,并调整网络深度得到更轻量化的M-YOLOn模型来解决不同环境下的检测需求。首先针对交通标志目标尺寸小、图像特征流失的问题,通过增加小目标检测层,保留更多的特征信息,提高网络对于小目标的特征学习能力。提出高效多尺度特征金字塔融合网络MPANet,将浅层特征图进行降维与跳跃连接,从而融合更多的图像特征信息。然后提出融合稀疏注意力和空间注意力的BRSA注意力模块,有效提取全局和局部的位置信息,减少复杂背景下对于关键信息的干扰。最后设计两种轻量高效的BBot模块和C2fGhost模块,以提高模型运算速度并减少参数量。实验结果表明,M-YOLO相较于YOLOv8,参数量降低约1/3。在TT100K数据集和GTSDB数据集上,M-YOLOs检测精度分别提升了9.7和2.1个百分点,M-YOLOn检测精度分别提升了14.5和2.6个百分点,在轻量化的同时具备更高的检测效果。M-YOLO架构解决了浅层特征图在特征提取过程中信息丢失的问题,并显著降低模型特征提取过程中冗余的计算开销,在实景采集的数据集上证实效果有效,表明在交通标志检测任务中具有应用价值。 展开更多

关键词 卷积神经网络 轻量化模型 目标检测 注意力模块 多尺度融合

在线阅读 下载PDF 职称材料

基于反向瓶颈和LCBAM设计的X光违禁品检测 被引量：8

6

作者 董乙杉 郭靖圆 +2 位作者 李明泽 孙嘉傲 卢树华 《计算机科学与探索》 CSCD 北大核心 2024年第5期1259-1270,共12页

针对X光违禁品图像姿态与角度变化易漏检误检及困难样本检测准确率低等问题,以YOLOv5网络为基线模型,提出一种融合了反向瓶颈结构和轻量化卷积块注意力模块设计的违禁品检测模型。在主干网络采用反向瓶颈结构设计注重细节特征信息,改进... 针对X光违禁品图像姿态与角度变化易漏检误检及困难样本检测准确率低等问题,以YOLOv5网络为基线模型,提出一种融合了反向瓶颈结构和轻量化卷积块注意力模块设计的违禁品检测模型。在主干网络采用反向瓶颈结构设计注重细节特征信息,改进网络应对检测目标大角度变化问题;采用轻量化卷积块注意力机制抑制复杂背景干扰,降低模型参数量;此外,采用高斯误差线性单元激活函数和改进的置信度损失函数增强模型的非线性表达能力,加大对置信度预测的惩罚力度,优化网络对困难样本的检测性能。所提模型在三个大型公开数据集OPIXray、SIXray、HiXray上进行训练和测试,mAP分别达到了91.9%、93.4%和82.2%。结果表明,所提模型能够有效解决基线模型应对X光违禁品角度变化问题,具有较高的检测准确性和稳健性。 展开更多

关键词 X光图像 违禁品检测 反向瓶颈 轻量化卷积块注意力模块(lcbam)

在线阅读 下载PDF 职称材料

基于轻量级改进的YOLOv8水下目标检测模型

7

作者 周志耀 马常霞 +2 位作者 杨丽莎 仲兆满 胡文彬 《电子测量技术》 北大核心 2024年第19期181-189,共9页

在恶劣和多变的水下环境中工作的设备是进行水下研究和开发的基本保障。现阶段的水下目标检测模型参数量和计算量过大,在资源有限的水下设备上部署受限。为解决水下检测模型参数量和计算量过大问题,提出一种轻量级的水下目标检测模型RCE... 在恶劣和多变的水下环境中工作的设备是进行水下研究和开发的基本保障。现阶段的水下目标检测模型参数量和计算量过大,在资源有限的水下设备上部署受限。为解决水下检测模型参数量和计算量过大问题,提出一种轻量级的水下目标检测模型RCE-YOLO。首先,利用RFAConv的空间注意力权重来改进CBS处理接受域信息的能力和提升C2f对空间特征信息融合的能力,增强模型对小密集目标的检出能力。其次,融合CCFM与Dysample模块,该融合模块能够更有效的利用不同尺度信息并通过内部的点采样方法减少原先采样产生的模糊和失真。最后,在SPPF前向传播过程中融合高效多尺度注意力机制,该机制使得模型重点关注水下目标关键信息,降低误检率和错检率。实验结果表明,改进的轻量级模型在数据集DUO上进行验证,mAP50、mAP50:90值分别达到83.6%、64.2%,相较于YOLOv8基准模型mAP50、mAP50:90值分别提升了1.4%、1.2%,参数量和计算量分别下降了32.3%、0.9 G。相较于其他目标检测模型满足了恶劣多变环境下的水下目标检测需求,为水下设备轻量级部署奠定基础。 展开更多

关键词 水下目标检测 轻量化 RFA卷积模块 CCFM模块 注意力机制

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的手机屏幕瑕疵检测算法:PGS-YOLO

8

作者 周思瑜 徐慧英 +4 位作者 朱信忠 黄晓 盛轲 曹雨淇 陈晨 《计算机工程》 北大核心 2025年第5期326-339,共14页

手机屏幕作为人机交互的主窗口,已成为影响用户体验和终端整体性能的重要因素。因此,市场对解决手机屏幕瑕疵的需求日益增长。为满足这一需求,针对在手机屏幕瑕疵检测过程中存在检测精度低、小目标瑕疵漏检率高与检测速度慢的情况,提出... 手机屏幕作为人机交互的主窗口,已成为影响用户体验和终端整体性能的重要因素。因此,市场对解决手机屏幕瑕疵的需求日益增长。为满足这一需求,针对在手机屏幕瑕疵检测过程中存在检测精度低、小目标瑕疵漏检率高与检测速度慢的情况,提出一种以YOLOv8n作为基准模型的PGS-YOLO算法。PGS-YOLO通过增加一个专门的微小目标检测头,并结合SeaAttention注意力模块,有效提升对小目标的探测能力;将骨干网络和特征融合网络分别融入PConv与GhostNetV2轻量化模块,在保证精度的同时降低模型的参数量,提高瑕疵检测的速度与效率。实验结果表明,在北京大学手机屏幕表面瑕疵数据集中,相较于YOLOv8n,PGS-YOLO算法的mAP@0.5提升了2.5百分点,mAP@0.5∶0.95提升了2.2百分点,在手机屏幕瑕疵检测过程中不仅能对大片的瑕疵做到精准检测,还能对小瑕疵保持一定的准确度。此外,检测性能优于YOLOv5n、YOLOv8s等大部分YOLO系列算法。同时,参数量仅为2.0×10^(6),小于YOLOv8n,满足工业场景对手机屏幕瑕疵检测的需求。 展开更多

关键词 YOLOv8n模型 手机屏幕瑕疵检测 小目标检测 部分卷积 GhostNetV2轻量化模块 挤压增强轴向注意力

在线阅读 下载PDF 职称材料

面向视障人群的室内视觉辅助算法的研究

9

作者 欧阳玉旋 张荣芬 +1 位作者 刘宇红 彭垚潘 《激光技术》 北大核心 2025年第2期166-174,共9页

为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题,对你只看一次(YOLO)网络YOLOv7-tiny进行改进,提出一种新的YOLOv7-ghost网络模型。针对模型参数量大的问题,引入幽灵瓶颈(GB)代替部分池化操作和高效... 为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题,对你只看一次(YOLO)网络YOLOv7-tiny进行改进,提出一种新的YOLOv7-ghost网络模型。针对模型参数量大的问题,引入幽灵瓶颈(GB)代替部分池化操作和高效层聚合网络(ELAN),大幅度降低模型参数量;构建了一个全新的高性能轻量化模块(即C2f-全局注意力模块),综合考虑全局和局部特征信息,更好地捕捉节点的上下文信息;然后引入快速空间金字塔池化和幽灵瓶颈(SPPF-GB)模块,对特征进行重组和压缩,以融合不同尺度的特征信息、增强特征的表达能力;最后在头部引入可变形卷积(DCN),增强感受野的表达能力,以捕获目标周围更细粒度的目标结构和背景信息。结果表明,改进后的模型参数量下降了20.33%,模型大小下降了18.70%,平均精度mAP@0.50和mAP@0.50~0.95分别提升了1.2%和3.3%。该网络模型在保证轻量化的同时,检测精度得到了大幅度的提升,更利于室内场景目标检测算法实际应用的部署。 展开更多

关键词 图像处理 轻量化 幽灵瓶颈模块 C2f-全局注意力模块 多尺度特征融合 可变形卷积 YOLOv7-tiny网络模型

在线阅读 下载PDF 职称材料

基于改进的Yolov5的无人机图像小目标检测 被引量：6

10

作者 何宇豪 易明发 +1 位作者 周先存 王冠凌 《智能系统学报》 CSCD 北大核心 2024年第3期635-645,共11页

为了解决无人机航拍图像小目标检测算法检测速度与精度无法兼顾的问题,在Yolov5的基础上,提出了针对于无人机图像小目标检测的Yolov5_GBCS算法。在新的算法中,添加一个额外的检测头,以便增强对小目标的特征融合效果;在主干网络中分别采... 为了解决无人机航拍图像小目标检测算法检测速度与精度无法兼顾的问题,在Yolov5的基础上,提出了针对于无人机图像小目标检测的Yolov5_GBCS算法。在新的算法中,添加一个额外的检测头,以便增强对小目标的特征融合效果;在主干网络中分别采用GhostConv卷积模块、GhostBottleneckC3模块替换部分Conv模块和C3模块用以提取丰富特征和冗余特征以提高模型效率;引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)结构,用以提高对小目标的检测精度;在主干网络和颈部网络中引入轻量化的卷积块注意力模块(convolutional block attention module,CBAM),关注重要特征并抑制不必要的特征,增强小目标特征表达能力;使用Soft-NMS算法来替换NMS,因此降低了小目标在密集场景下的漏检率。通过在VisDrone2019数据集上的实验结果表明,集成了所有改进的方法后的Yolov5_GBCS算法,不仅提高了检测精度,而且有效地提高了检测速度,模型的mAP从38.5%提高到43.2%,检测速度也从53 f/s提高到59 f/s。Yolov5_GBCS算法可以有效地实现无人机航拍图像中小目标识别。 展开更多

关键词 图像处理 GhostConv卷积模块 双向特征金字塔网络 卷积块注意力模块 Soft双向特征金字塔网络 轻量化模型 小目标检测 VisDrone数据集

在线阅读 下载PDF 职称材料

基于改进ShuffleNet V2模型的苹果叶部病害识别及应用 被引量：17

11

作者 张旭 周云成 +1 位作者 刘忠颖 李昕泽 《沈阳农业大学学报》 CAS CSCD 北大核心 2022年第1期110-118,共9页

苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往... 苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块(convolutional block attention module,CBAM),提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明:改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0.05%,但平均推理时间缩减87.94%,在识别速度和精度上获得了较好的平衡。基于该模型,开发了一款面向Android移动端的苹果叶部病害识别应用,测试结果表明,该应用能够满足果园内上述3种病害和健康叶片的实时识别需求,可为设计高效、轻量的病害诊断模型提供思路和参考。 展开更多

关键词 病害识别 ShuffleNetV2 轻量化 卷积块注意模块 ANDROID

在线阅读 下载PDF 职称材料