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
基于改进GhostNet V2的轻量化熊蜂图像分类模型
1
作者
范为培
于晓明
+2 位作者
沈凤龙
王亮
王星
《浙江农业学报》
CSCD
北大核心
2024年第12期2832-2845,共14页
为准确、快速地实现熊蜂的自动分拣,提出了一种轻量化深度学习熊蜂图像分类模型。首先,采集了地熊蜂的蜂王、雄蜂和工蜂图像1 742张,并通过数据增强构建了包含13 117张熊蜂图像的数据集BumblebeeImage。然后,以GhostNet V2模型为基础,...
为准确、快速地实现熊蜂的自动分拣,提出了一种轻量化深度学习熊蜂图像分类模型。首先,采集了地熊蜂的蜂王、雄蜂和工蜂图像1 742张,并通过数据增强构建了包含13 117张熊蜂图像的数据集BumblebeeImage。然后,以GhostNet V2模型为基础,通过多尺度卷积获取输入图像更多感受野下的特征信息,增加两条捷径分支分别将低层与中层、高层的特征融合,将ReLU激活函数替换为SiLU,删减bottleneck层数和通道数,设计了一种轻量化熊蜂图像分类模型GMCFF。结果表明,利用GMCFF模型对BumblebeeImage数据集进行分类的准确率达到了98.40%,较原模型提高了1.53百分点,与ShuffleNetV2和MobileNetV2模型的分类准确率对比也更高,分别提高了1.53百分点和1.15百分点。该模型参数量只有0.73 M,浮点运算量较改进前下降了25.15 M,模型大小仅有3.01 MB,单张熊蜂图像的平均测试时间为17.08 ms,满足轻量化与实时性的要求。
展开更多
关键词
熊蜂分类
ghostnet
v2
轻量化
多尺度卷积
特征融合
在线阅读
下载PDF
职称材料
改进YOLOv7-tiny的轻量级红外车辆目标检测算法
被引量：
15
2
作者
许晓阳
高重阳
《计算机工程与应用》
CSCD
北大核心
2024年第1期74-83,共10页
为了解决红外场景下车辆检测算法参数量与计算量大、识别精度低、小目标检测难度大的问题,提出了一种改进YOLOv7-tiny的轻量级红外车辆目标检测算法:KD-YOLO-DW。通过融合深度可分离卷积提出了ELAN-DW模块,极大地降低了网络参数量与计...
为了解决红外场景下车辆检测算法参数量与计算量大、识别精度低、小目标检测难度大的问题,提出了一种改进YOLOv7-tiny的轻量级红外车辆目标检测算法:KD-YOLO-DW。通过融合深度可分离卷积提出了ELAN-DW模块,极大地降低了网络参数量与计算量。通过在特征融合层引入GhostNet V2模块,提高了不同尺度特征的融合能力。采用动态非单调FM的WIoU损失函数,解决了红外数据集难易样本不平衡的问题,提高了轻量级算法对红外弱小目标的检测能力。联合残差思想提出跨尺度融合策略,提高了轻量级算法对不同尺度目标的检测效果,降低了小目标的漏检率。通过知识蒸馏对轻量化模型再次浓缩,进一步提高了模型对检测红外目标的准确性。实验结果表明,KD-YOLO-DW模型在参数量与计算量方面分别较YOLOv7-tiny模型下降了24.6%和16.7%,模型大小仅为9.2 MB,mAP分别提高了3.27和3.15个百分点,拥有更小的模型体积与更好的检测效果。
展开更多
关键词
红外目标检测
轻量级
知识蒸馏
损失函数
YOLOv7-tiny
ghostnet
v2
在线阅读
下载PDF
职称材料
题名
基于改进GhostNet V2的轻量化熊蜂图像分类模型
1
作者
范为培
于晓明
沈凤龙
王亮
王星
机构
辽东学院信息工程学院
沈阳化工大学计算机科学与技术学院
沈阳化工大学辽宁省化工过程工业智能化技术重点实验室
辽东学院农学院
出处
《浙江农业学报》
CSCD
北大核心
2024年第12期2832-2845,共14页
基金
2022年辽宁省应用基础研究计划项目(2022JH2/101300149)。
文摘
为准确、快速地实现熊蜂的自动分拣,提出了一种轻量化深度学习熊蜂图像分类模型。首先,采集了地熊蜂的蜂王、雄蜂和工蜂图像1 742张,并通过数据增强构建了包含13 117张熊蜂图像的数据集BumblebeeImage。然后,以GhostNet V2模型为基础,通过多尺度卷积获取输入图像更多感受野下的特征信息,增加两条捷径分支分别将低层与中层、高层的特征融合,将ReLU激活函数替换为SiLU,删减bottleneck层数和通道数,设计了一种轻量化熊蜂图像分类模型GMCFF。结果表明,利用GMCFF模型对BumblebeeImage数据集进行分类的准确率达到了98.40%,较原模型提高了1.53百分点,与ShuffleNetV2和MobileNetV2模型的分类准确率对比也更高,分别提高了1.53百分点和1.15百分点。该模型参数量只有0.73 M,浮点运算量较改进前下降了25.15 M,模型大小仅有3.01 MB,单张熊蜂图像的平均测试时间为17.08 ms,满足轻量化与实时性的要求。
关键词
熊蜂分类
ghostnet
v2
轻量化
多尺度卷积
特征融合
Keywords
bumblebee classification
ghostnet v2
lightweight
multi-scale convolution
feature fusion
分类号
TP391.4 [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
改进YOLOv7-tiny的轻量级红外车辆目标检测算法
被引量：
15
2
作者
许晓阳
高重阳
机构
西安科技大学计算机科学与技术学院
出处
《计算机工程与应用》
CSCD
北大核心
2024年第1期74-83,共10页
基金
国家自然科学基金(12071367)
陕西省“特支计划”青年拔尖人才项目(289890259)。
文摘
为了解决红外场景下车辆检测算法参数量与计算量大、识别精度低、小目标检测难度大的问题,提出了一种改进YOLOv7-tiny的轻量级红外车辆目标检测算法:KD-YOLO-DW。通过融合深度可分离卷积提出了ELAN-DW模块,极大地降低了网络参数量与计算量。通过在特征融合层引入GhostNet V2模块,提高了不同尺度特征的融合能力。采用动态非单调FM的WIoU损失函数,解决了红外数据集难易样本不平衡的问题,提高了轻量级算法对红外弱小目标的检测能力。联合残差思想提出跨尺度融合策略,提高了轻量级算法对不同尺度目标的检测效果,降低了小目标的漏检率。通过知识蒸馏对轻量化模型再次浓缩,进一步提高了模型对检测红外目标的准确性。实验结果表明,KD-YOLO-DW模型在参数量与计算量方面分别较YOLOv7-tiny模型下降了24.6%和16.7%,模型大小仅为9.2 MB,mAP分别提高了3.27和3.15个百分点,拥有更小的模型体积与更好的检测效果。
关键词
红外目标检测
轻量级
知识蒸馏
损失函数
YOLOv7-tiny
ghostnet
v2
Keywords
infrared target detection
lightweight
knowledge distillation
loss function
YOLOv7-tiny
ghostnet v2
分类号
TP391.4 [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GhostNet V2的轻量化熊蜂图像分类模型
范为培
于晓明
沈凤龙
王亮
王星
《浙江农业学报》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
改进YOLOv7-tiny的轻量级红外车辆目标检测算法
许晓阳
高重阳
《计算机工程与应用》
CSCD
北大核心
2024
15
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
