检索结果-维普期刊中文期刊服务平台

基于多尺度时空特征融合的视频异常事件检测被引量：1: 1; 作者李歌肖洪兵 +2 位作者闫善武王瑜孙梅《燕山大学学报》北大核心 2025年第1期74-82,共9页; 在视频异常事件检测的问题上,现有的研究方法未充分考虑场景中的背景信息干扰和目标尺度变化,导致检测精度普遍较低。针对此类问题,提出了一种融合多尺度时空信息的异常事件检测方法。首先,应用一种坐标注意力的方法,使模型更多地关注... 展开更多; 关键词视频异常检测无监督学习空洞卷积多尺度时空特征融合记忆增强模块; 在线阅读下载PDF 职称材料

基于循环生成对抗网络的人脸素描合成被引量：3: 2; 作者葛延良孙笑笑 +2 位作者张乔王冬梅王肖肖《吉林大学学报（理学版）》 CAS 北大核心 2022年第4期897-905,共9页; 针对当前卷积神经网络通常以降低感受野为条件获得多尺度图像特征,以及很难捕获各特征通道之间重要关系的问题,结合循环生成对抗网络结构的特点提出一种新的多尺度自注意力机制的循环生成对抗网络.首先,在生成器中使用VGG16模块组成U-Ne... 展开更多; 关键词深度学习循环生成对抗网络空洞卷积多尺度特征聚合模块像素自注意力模块; 在线阅读下载PDF 职称材料

红外弱光下多特征融合与注意力增强铁路异物检测被引量：1: 3; 作者陈永王镇 +1 位作者卢晨涛张娇娇《北京航空航天大学学报》 EI CAS CSCD 北大核心 2023年第8期1884-1895,共12页; 针对红外弱光环境下铁路异物检测时存在目标特征提取不充分、检测精度及实时性低的问题,在CenterNet目标检测模型的基础上,提出了一种红外弱光下多特征融合与注意力增强的无锚框异物检测深度学习模型。在红外目标多尺度特征提取的基础上... 展开更多; 关键词机器视觉红外弱光异物检测自适应特征融合空洞卷积增强注意力模块无锚框网络; 在线阅读下载PDF 职称材料

基于多补丁和多尺度层级聚合网络的快速非均匀图像去雾被引量：3: 4; 作者杨坤张娟方志军《计算机科学》 CSCD 北大核心 2021年第11期250-257,共8页; 尽管基于卷积神经网络的去雾算法在合成的均匀雾气数据集上已经取得了巨大进展,但在真实的非均匀有雾图像上仍然表现不佳。为了快速有效地去除图像中的非均匀雾气,文中首先提出了一种多补丁和多尺度层级聚合网络结构(Multi-patch and Mu... 展开更多; 关键词多补丁多尺度层级融合模块注意力机制扩张卷积图像去雾; 在线阅读下载PDF 职称材料

YOLOv4-tiny算法的融合模块在卷烟小包外观缺失检测中的应用被引量：10: 5; 作者杨超李佳田 +3 位作者张泽龙陆大进张兴忆杨树青《中国烟草学报》 CAS CSCD 北大核心 2022年第2期59-64,共6页; 卷烟烟包外包装图案缺失检测是卷烟生产中的重要环节,目前常用的图案缺失检测方法普遍存在漏检率高、识别精度不够和速度慢等问题。因此本文提出了一种基于YOLOv4-tiny的烟包缺陷快速检测方法。该方法主要包括:(1)使用CSPDarknet53-tin... 展开更多; 关键词 YOLOv4-tiny EIoU 图案检测多空间空洞卷积融合模块; 在线阅读下载PDF 职称材料

基于改进Yolov5l的航空小目标检测算法被引量：3: 6; 作者戴得恩朱瑞飞 +2 位作者陈长征秦磊马经宇《计算机工程与设计》北大核心 2023年第9期2610-2618,共9页; 针对航空图像小目标检测存在的检测精度低、误检与漏检严重等问题,提出一种基于改进Yolov5l的航空小目标检测算法(AS-Yolov5)。在Yolov5的主干特征提取网络中引入空洞卷积,使用Transform的Decode模块,在特征融合网络中新增检测头,FPN+PA... 展开更多; 关键词航空小目标检测 Yolov5l模型空洞卷积 SE-Net注意力模块权重融合深度学习目标检测; 在线阅读下载PDF 职称材料

题名基于多尺度时空特征融合的视频异常事件检测被引量：1: 1; 作者李歌肖洪兵闫善武王瑜孙梅; 机构北京工商大学计算机与人工智能学院; 出处《燕山大学学报》北大核心 2025年第1期74-82,共9页; 基金北京市教育委员会科技计划重点项目(KZ202110011015)。; 文摘在视频异常事件检测的问题上,现有的研究方法未充分考虑场景中的背景信息干扰和目标尺度变化,导致检测精度普遍较低。针对此类问题,提出了一种融合多尺度时空信息的异常事件检测方法。首先,应用一种坐标注意力的方法,使模型更多地关注异常事件发生的区域。其次,为了提取到各层次丰富的时空信息,采用空洞卷积网络构建一种多分支多尺度的特征融合模块。最后,考虑到正常事件的多样性,提出一种规则分数,以便在测试阶段进一步更新记忆增强模块中的记忆项,提高对异常事件的检测精度。在CUHK Avenue和ShanghaiTech数据集的相关实验中,提出方法的帧级AUC分别达到了88.7%和77.5%,且满足视频检测的实时性要求,验证了该方法的可行性和有效性。; 关键词视频异常检测无监督学习空洞卷积多尺度时空特征融合记忆增强模块; Keywords video anomaly detection unsupervised learning dilated convolution multi-scaled spatio-temporal features fusion memory-augmented module; 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

题名基于循环生成对抗网络的人脸素描合成被引量：3: 2; 作者葛延良孙笑笑张乔王冬梅王肖肖; 机构东北石油大学电气信息工程学院; 出处《吉林大学学报（理学版）》 CAS 北大核心 2022年第4期897-905,共9页; 基金黑龙江省自然科学基金(批准号:LH2020F005).; 文摘针对当前卷积神经网络通常以降低感受野为条件获得多尺度图像特征,以及很难捕获各特征通道之间重要关系的问题,结合循环生成对抗网络结构的特点提出一种新的多尺度自注意力机制的循环生成对抗网络.首先,在生成器中使用VGG16模块组成U-Net结构网络,以增强对图像特征信息的提取,同时对网络中的下采样和上采样进行改进,以提高特征分辨率,获取更多的细节信息;其次,设计多尺度特征聚合模块,采用不同采样率的多个并行空洞卷积,整合了不同尺度上的空间信息,在保持图像较大感受野的同时,多比例地捕捉图像信息;最后,为捕获空间维度和通道维度中的特征依赖关系,设计像素自注意力模块对空间维度和通道维度上的语义依赖关系进行建模,以增强图像特征的表现能力,提高生成素描图像的质量.; 关键词深度学习循环生成对抗网络空洞卷积多尺度特征聚合模块像素自注意力模块; Keywords deep learning cycle-generative adversarial networks dilated convolution multi-scale feature fusion block pixel self-attention module; 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

题名红外弱光下多特征融合与注意力增强铁路异物检测被引量：1: 3; 作者陈永王镇卢晨涛张娇娇; 机构兰州交通大学电子与信息工程学院甘肃省人工智能与图形图像处理工程研究中心; 出处《北京航空航天大学学报》 EI CAS CSCD 北大核心 2023年第8期1884-1895,共12页; 基金国家自然科学基金(61963023,61841303) 兰州交通大学天佑创新团队(TY202003) 兰州交通大学基础研究拔尖人才项目(2022JC36)。; 文摘针对红外弱光环境下铁路异物检测时存在目标特征提取不充分、检测精度及实时性低的问题,在CenterNet目标检测模型的基础上,提出了一种红外弱光下多特征融合与注意力增强的无锚框异物检测深度学习模型。在红外目标多尺度特征提取的基础上,引入自适应特征融合(ASFF)模块,充分利用目标高层语义与底层细粒度特征信息,提升红外目标特征提取能力。通过提出的空洞卷积增强注意力模块(Dilated-CBAM)进行关键特征提取,扩大注意力模块感受野范围,克服了原始CenterNet卷积块感受野映射区域变窄、无法检测弱小目标的问题,提升了无锚框网络的检测精度。使用Smooth L1损失函数进行训练,克服了L1损失函数在网络训练过程收敛速度慢及训练不稳定解的问题。通过铁路红外数据集及现场实验测试,结果表明:所提方法较原始CenterNet模型平均检测精度提高了8.03%,检测框置信度提升了31.23%,平均检测速率是Faster R-CNN模型的9.6倍,所提方法在红外弱光环境下能够更加快速准确地检测出铁路异物,主客观评价均优于对比方法。; 关键词机器视觉红外弱光异物检测自适应特征融合空洞卷积增强注意力模块无锚框网络; Keywords machine vision infrared low light intrusion object detection adaptive spatial feature fusion dilated-convolutional block attention module anchor-free network; 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

题名基于多补丁和多尺度层级聚合网络的快速非均匀图像去雾被引量：3: 4; 作者杨坤张娟方志军; 机构上海工程技术大学电子电气工程学院; 出处《计算机科学》 CSCD 北大核心 2021年第11期250-257,共8页; 基金国家自然科学基金(61772328)。; 文摘尽管基于卷积神经网络的去雾算法在合成的均匀雾气数据集上已经取得了巨大进展,但在真实的非均匀有雾图像上仍然表现不佳。为了快速有效地去除图像中的非均匀雾气,文中首先提出了一种多补丁和多尺度层级聚合网络结构(Multi-patch and Multi-scale Hierarchical Aggregation Network,MPSHAN),融合了多补丁局部化信息和多尺度全局化信息。其次,提出了层级融合模块(Hierarchical Fusion Module,HFM),既解耦了残差融合以实现更丰富的非线性特征表达,又通过通道注意力机制提升了关键位置的特征融合质量。同时,对层级结构使用扩张卷积获得多尺度信息,增强特征图以优化融合效果。此外,在损失函数中加入频域损失以恢复更好的边缘质量。实验结果表明,所提算法在非均匀雾气图像上具有很好的鲁棒性,1200×1600高分辨率图像的平均处理时间仅有0.044 s,相比其他去雾算法,其在图像去雾效果和运行时间之间实现了更好的平衡。; 关键词多补丁多尺度层级融合模块注意力机制扩张卷积图像去雾; Keywords Multi-patch Multi-scale Hierarchical fusion module Attention mechanism dilated convolution Image dehazing; 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YOLOv4-tiny算法的融合模块在卷烟小包外观缺失检测中的应用被引量：10: 5; 作者杨超李佳田张泽龙陆大进张兴忆杨树青; 机构昆明理工大学国土资源工程学院云南远足科技有限公司; 出处《中国烟草学报》 CAS CSCD 北大核心 2022年第2期59-64,共6页; 基金国家自然科学基金(41561082)。; 文摘卷烟烟包外包装图案缺失检测是卷烟生产中的重要环节,目前常用的图案缺失检测方法普遍存在漏检率高、识别精度不够和速度慢等问题。因此本文提出了一种基于YOLOv4-tiny的烟包缺陷快速检测方法。该方法主要包括:(1)使用CSPDarknet53-tiny对图像特征进行提取。(2)通过添加多空间空洞卷积融合模块,获得丰富的上下文信息,增强感受野,从而提高模型的检测精度。(3)使用EIoU边框位置回归损失函数,提高烟盒图案识别预测框的精确率。本文方法与YOLOv4-tiny进行对比,实验结果表明,本文算法m AP值为97.35%,检测烟包外观的平均时间为17ms,能够满足卷烟小包外观检测对时间和精确率的要求。相较于YOLOv4-tiny在m AP上提升了1.34%,在AverageIoU上提升了3.68%,速度基本与YOLOv4-tiny持平,在保持快速检测的同时能够有效的提高精度。; 关键词 YOLOv4-tiny EIoU 图案检测多空间空洞卷积融合模块; Keywords YOLOv4-tiny EioU pattern detection multi-space dilated convolution fusion module; 分类号 TS47 [农业科学—烟草工业] 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

题名基于改进Yolov5l的航空小目标检测算法被引量：3: 6; 作者戴得恩朱瑞飞陈长征秦磊马经宇; 机构中国科学院长春光学精密机械与物理研究所空间光学研究二部中国科学院大学大珩学院长光卫星技术有限公司数据三室; 出处《计算机工程与设计》北大核心 2023年第9期2610-2618,共9页; 基金国家自然科学基金项目(62105328) 国家重点研发计划基金项目(2019YFE0127000) 吉林省重大科技专项基金项目(20200503002SF)。; 文摘针对航空图像小目标检测存在的检测精度低、误检与漏检严重等问题,提出一种基于改进Yolov5l的航空小目标检测算法(AS-Yolov5)。在Yolov5的主干特征提取网络中引入空洞卷积,使用Transform的Decode模块,在特征融合网络中新增检测头,FPN+PAN特征融合时设置融合权重,输出端采用SE-Net注意力机制,测试时进行多尺寸输入及测试时间增强(TTA)。算法在visdron2021数据集上进行验证,实验结果表明,AS-Yolov5的均值平均精度@0.5(mAP@0.5)为41.0%,较Yolov5l的28.5%提升12.5%,有效提高Yolov5l难以在远距离、暗环境、密集分布和图像模糊的场景下的小目标检测能力。; 关键词航空小目标检测 Yolov5l模型空洞卷积 SE-Net注意力模块权重融合深度学习目标检测; Keywords aviation small target detection Yolov5l model dilated convolution SE-Net attention module weight fusion deep learning object detection; 分类号 TP394.1 [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	基于多尺度时空特征融合的视频异常事件检测	李歌肖洪兵闫善武王瑜孙梅	《燕山大学学报》北大核心	2025	1	在线阅读下载PDF 职称材料
2	基于循环生成对抗网络的人脸素描合成	葛延良孙笑笑张乔王冬梅王肖肖	《吉林大学学报（理学版）》 CAS 北大核心	2022	3	在线阅读下载PDF 职称材料
3	红外弱光下多特征融合与注意力增强铁路异物检测	陈永王镇卢晨涛张娇娇	《北京航空航天大学学报》 EI CAS CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料
4	基于多补丁和多尺度层级聚合网络的快速非均匀图像去雾	杨坤张娟方志军	《计算机科学》 CSCD 北大核心	2021	3	在线阅读下载PDF 职称材料
5	YOLOv4-tiny算法的融合模块在卷烟小包外观缺失检测中的应用	杨超李佳田张泽龙陆大进张兴忆杨树青	《中国烟草学报》 CAS CSCD 北大核心	2022	10	在线阅读下载PDF 职称材料
6	基于改进Yolov5l的航空小目标检测算法	戴得恩朱瑞飞陈长征秦磊马经宇	《计算机工程与设计》北大核心	2023	3	在线阅读下载PDF 职称材料