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
Haar小波下采样优化YOLOv9的道路车辆和行人检测
被引量：
12
1
作者
李琳
靳志鑫
+1 位作者
俞晓磊
王安红
《计算机工程与应用》
CSCD
北大核心
2024年第20期207-214,共8页
在当前智能化、信息化的大背景下,为了实现无人驾驶模式复杂环境中智能收集道路的行人和车辆目标,提出了一种基于Haar小波下采样(Haar wavelet downsampling,HWD)的YOLOv9算法(HWD_YOLOv9)用于车辆与行人目标检测。Haar小波的下采样操作...
在当前智能化、信息化的大背景下,为了实现无人驾驶模式复杂环境中智能收集道路的行人和车辆目标,提出了一种基于Haar小波下采样(Haar wavelet downsampling,HWD)的YOLOv9算法(HWD_YOLOv9)用于车辆与行人目标检测。Haar小波的下采样操作,降低特征图的空间分辨率,尽可能保留了边缘、纹路等细节信息,有效降低了信息的不确定性。采用交叉熵损失和广义骰子损失之和作为网络的损失函数,可以有效地度量概率分布之间的差异,且逐像素进行骰子损失计算,便于优化网络。实验结果显示,在KITTY数据集上,所提模型的平均精度均值达到了95.86%,检测帧率达到了179 FPS。与YOLOv9相比,改进后的算法能够精确地识别出复杂道路上不同尺度的车辆与行人,改善了原检测算法中的计算容量的冗余和小目标的漏检问题,为智能化的无人驾驶提供了视觉技术支持。
展开更多
关键词
小目标检测
车辆行人
YOLOv9
深度学习
haar小波下采样
在线阅读
下载PDF
职称材料
改进RT-DETR的遥感图像小目标检测算法
2
作者
沈涛
张秀再
许岱
《计算机科学》
北大核心
2025年第8期214-221,共8页
针对遥感图像目标检测算法漏检率和误检率高,且对小目标检测效果差的问题,提出一种改进RT-DETR(Real-Time Detection Transformer)的目标检测算法。为提升模型对遥感图像中不同尺寸目标的检测能力,采用可变核卷积与多样化分支结构,丰富...
针对遥感图像目标检测算法漏检率和误检率高,且对小目标检测效果差的问题,提出一种改进RT-DETR(Real-Time Detection Transformer)的目标检测算法。为提升模型对遥感图像中不同尺寸目标的检测能力,采用可变核卷积与多样化分支结构,丰富多尺度表征能力;为避免下采样造成小目标信息丢失的问题,采用Haar小波下采样保留尽可能多的特征信息;针对小目标特征信息在复杂的网络迭代与池化中丢失的问题,设计SPABC3模块,通过对称激活函数和残差连接增强检测目标信息和抑制冗余信息。实验结果表明,改进RT-DETR算法在VisDrone2019数据集和RSOD数据集上,mAP@0.5分别达到42.7%和95.3%,优于其他对比主流算法,提升了对遥感图像中小目标的检测精度,满足遥感图像小目标的检测需求。
展开更多
关键词
小目标检测
RT-DETR
可变核卷积
haar小波下采样
Swift无参数注意力
在线阅读
下载PDF
职称材料
融合注意力机制的改进型DeepLabv3+语义分割
3
作者
闫河
雷秋霞
王旭
《光学精密工程》
北大核心
2025年第1期123-134,共12页
针对DeepLabv3+语义分割网络计算复杂度高、对图像细节提取能力弱、分割的图像边界模糊的问题,提出了一种融合注意力机制的改进型DeepLabv3+语义分割网络。以轻量级网络MobileNetV2为骨干,在保持较高表征能力的同时显著减少模型参数,在...
针对DeepLabv3+语义分割网络计算复杂度高、对图像细节提取能力弱、分割的图像边界模糊的问题,提出了一种融合注意力机制的改进型DeepLabv3+语义分割网络。以轻量级网络MobileNetV2为骨干,在保持较高表征能力的同时显著减少模型参数,在骨干网络的低层特征后面加入轻量级、无参数注意力机制(Simple,Parameter-Free Attention Module,SimAM),对输入的特征进行加权,以增强关键特征的提取能力。将ASPP模块的全局平均池化替换成Haar小波变换下采样(Haar Wavelet Downsampling,HWD),以避免丢失空间信息,同时在ASPP模块之后加入外部注意力机制(External Attention,EANet),以更好地利用上下文信息,实现多尺度融合,从而提升语义理解能力和语义分割的准确性。实验结果表明,该模型在VOC2012数据集上相较于原有的DeepLabv3+语义分割模型,平均交并比(mIoU)提高了2.82%。本文提出的改进模型显著提高了模型语义分割的精度,为计算机视觉领域应用提供了新的思路。
展开更多
关键词
语义分割
DeepLabv3+
haar小
波
变换
下采样
外部注意力机制
多尺度融合
在线阅读
下载PDF
职称材料
题名
Haar小波下采样优化YOLOv9的道路车辆和行人检测
被引量：
12
1
作者
李琳
靳志鑫
俞晓磊
王安红
机构
太原科技大学电子信息工程学院
太原科技大学体育学院
江苏省质量和标准化研究院国家射频识别产品检验检测中心(江苏)
出处
《计算机工程与应用》
CSCD
北大核心
2024年第20期207-214,共8页
基金
国家自然科学基金联合基金重点项目(U23A20314)
国家自然科学基金(62072325,61771240)
+1 种基金
中国博士后科学基金(2022M711620)
太原科技大学科研启动基金(2024072)。
文摘
在当前智能化、信息化的大背景下,为了实现无人驾驶模式复杂环境中智能收集道路的行人和车辆目标,提出了一种基于Haar小波下采样(Haar wavelet downsampling,HWD)的YOLOv9算法(HWD_YOLOv9)用于车辆与行人目标检测。Haar小波的下采样操作,降低特征图的空间分辨率,尽可能保留了边缘、纹路等细节信息,有效降低了信息的不确定性。采用交叉熵损失和广义骰子损失之和作为网络的损失函数,可以有效地度量概率分布之间的差异,且逐像素进行骰子损失计算,便于优化网络。实验结果显示,在KITTY数据集上,所提模型的平均精度均值达到了95.86%,检测帧率达到了179 FPS。与YOLOv9相比,改进后的算法能够精确地识别出复杂道路上不同尺度的车辆与行人,改善了原检测算法中的计算容量的冗余和小目标的漏检问题,为智能化的无人驾驶提供了视觉技术支持。
关键词
小目标检测
车辆行人
YOLOv9
深度学习
haar小波下采样
Keywords
small object detection
vehicles and pedestrians
YOLOv9
deep learning
haar
wavelet downsampling(HWD)
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RT-DETR的遥感图像小目标检测算法
2
作者
沈涛
张秀再
许岱
机构
南京信息工程大学电子与信息工程学院
南京信息工程大学江苏省大气环境与装备技术协同创新中心
出处
《计算机科学》
北大核心
2025年第8期214-221,共8页
基金
国家社会科学基金一般项目“中美人工智能战略比较研究”(22BZZ080)。
文摘
针对遥感图像目标检测算法漏检率和误检率高,且对小目标检测效果差的问题,提出一种改进RT-DETR(Real-Time Detection Transformer)的目标检测算法。为提升模型对遥感图像中不同尺寸目标的检测能力,采用可变核卷积与多样化分支结构,丰富多尺度表征能力;为避免下采样造成小目标信息丢失的问题,采用Haar小波下采样保留尽可能多的特征信息;针对小目标特征信息在复杂的网络迭代与池化中丢失的问题,设计SPABC3模块,通过对称激活函数和残差连接增强检测目标信息和抑制冗余信息。实验结果表明,改进RT-DETR算法在VisDrone2019数据集和RSOD数据集上,mAP@0.5分别达到42.7%和95.3%,优于其他对比主流算法,提升了对遥感图像中小目标的检测精度,满足遥感图像小目标的检测需求。
关键词
小目标检测
RT-DETR
可变核卷积
haar小波下采样
Swift无参数注意力
Keywords
Small object detection
RT-DETR
AKConv
haar
wavelet downsampling
Swift parameter-free attention
分类号
TP393 [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
融合注意力机制的改进型DeepLabv3+语义分割
3
作者
闫河
雷秋霞
王旭
机构
重庆理工大学两江人工智能学院
出处
《光学精密工程》
北大核心
2025年第1期123-134,共12页
基金
国家重点研发计划“智能机器人”重点专项项目(No.2018YFB1308602)
国家自然科学基金面上项目(No.61173184)
重庆市自然科学基金项目(No.cstc2018jcy-jAX0694)。
文摘
针对DeepLabv3+语义分割网络计算复杂度高、对图像细节提取能力弱、分割的图像边界模糊的问题,提出了一种融合注意力机制的改进型DeepLabv3+语义分割网络。以轻量级网络MobileNetV2为骨干,在保持较高表征能力的同时显著减少模型参数,在骨干网络的低层特征后面加入轻量级、无参数注意力机制(Simple,Parameter-Free Attention Module,SimAM),对输入的特征进行加权,以增强关键特征的提取能力。将ASPP模块的全局平均池化替换成Haar小波变换下采样(Haar Wavelet Downsampling,HWD),以避免丢失空间信息,同时在ASPP模块之后加入外部注意力机制(External Attention,EANet),以更好地利用上下文信息,实现多尺度融合,从而提升语义理解能力和语义分割的准确性。实验结果表明,该模型在VOC2012数据集上相较于原有的DeepLabv3+语义分割模型,平均交并比(mIoU)提高了2.82%。本文提出的改进模型显著提高了模型语义分割的精度,为计算机视觉领域应用提供了新的思路。
关键词
语义分割
DeepLabv3+
haar小
波
变换
下采样
外部注意力机制
多尺度融合
Keywords
semantic segmentation
DeepLabv3+
haar
wavelet transform downsampling
External Attention(EANet)
multi-scale integration
分类号
TP391 [自动化与计算机技术—计算机应用技术]
TP181 [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
作者
出处
发文年
被引量
操作
1
Haar小波下采样优化YOLOv9的道路车辆和行人检测
李琳
靳志鑫
俞晓磊
王安红
《计算机工程与应用》
CSCD
北大核心
2024
12
在线阅读
下载PDF
职称材料
2
改进RT-DETR的遥感图像小目标检测算法
沈涛
张秀再
许岱
《计算机科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
融合注意力机制的改进型DeepLabv3+语义分割
闫河
雷秋霞
王旭
《光学精密工程》
北大核心
2025
0
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
