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
基于YOLOv5s室内目标检测轻量化改进算法研究
被引量：
12
1
作者
牛鑫宇
毛鹏军
+1 位作者
段云涛
娄晓恒
《计算机工程与应用》
CSCD
北大核心
2024年第3期109-118,共10页
针对现有室内目标检测算法,存在结构复杂,计算量以及模型参数量过大等问题,难以部署到计算能力有限的室内机器人平台,实现高效的目标检测。为解决这一问题,提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征...
针对现有室内目标检测算法,存在结构复杂,计算量以及模型参数量过大等问题,难以部署到计算能力有限的室内机器人平台,实现高效的目标检测。为解决这一问题,提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征提取网络,并且在改进的主干网络基础上采用CA注意力机制,同时在颈部网络中采用GSConv和VOV-GSCSP模块。最后引入边框回归损失函数EIOU加快网络收敛。研究结果表明,改进后的目标检测算法,模型计算量减少了68.75%,模型参数量减少了62.2%,权重文件减少了59.7%,平均精确率mAP均值为0.653,改进后的目标检测模型能够在保证轻量化的同时保证检测精度。
展开更多
关键词
YOLOv5s
轻量化
ShuffleNetv2网络
CA注意力机制
GSConv模块
VOV-GSCSP模块
EIOU损失函数
在线阅读
下载PDF
职称材料
基于改进U-Net的不同容重小麦籽粒识别检测
被引量：
2
2
作者
吕宗旺
王玉琦
孙福艳
《河南农业科学》
北大核心
2023年第10期141-152,共12页
小麦质量等级检测过程中,容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题,需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集,针对小麦籽粒目标小、边缘分...
小麦质量等级检测过程中,容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题,需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集,针对小麦籽粒目标小、边缘分割不清晰等特点对U-Net网络进行改进。在主干网络上,采用残差堆叠模块来减少特征损失,在网络桥接部分嵌入CBAM注意力机制模块来加强对特征的进一步提取,在解码器部分嵌入自注意力机制模块,还原细节信息。结果表明,改进网络模型CBSA_U-Net的平均交并比(MIoU)为81.5%,比U-Net模型提升了1.8百分点,相较于PSPNet、DeepLabv3+模型分别提升了4.2、3.3百分点。
展开更多
关键词
小麦
质量等级
籽粒识别
容重
残差模块
注意力机制
U-Net模型
分割
在线阅读
下载PDF
职称材料
基于Deeplab V3 Plus的自适应注意力机制图像分割算法
被引量：
14
3
作者
杨贞
彭小宝
+1 位作者
朱强强
殷志坚
《计算机应用》
CSCD
北大核心
2022年第1期230-238,共9页
针对Deeplab V3 Plus在下采样操作中图像细节信息和小目标信息过早丢失的问题,提出了一种基于Deeplab V3 Plus网络架构的自适应注意力机制图像语义分割算法。首先,在Deeplab V3 Plus主干网络的输入层、中间层和输出层均嵌入注意力机制模...
针对Deeplab V3 Plus在下采样操作中图像细节信息和小目标信息过早丢失的问题,提出了一种基于Deeplab V3 Plus网络架构的自适应注意力机制图像语义分割算法。首先,在Deeplab V3 Plus主干网络的输入层、中间层和输出层均嵌入注意力机制模块,并且引入一个权重值与每个注意力机制模块相乘,以达到约束注意力机制模块的目的;其次,在PASCAL VOC2012公共分割数据集上训练嵌入注意力模块的Deeplab V3 Plus,以此手动获取注意力机制模块权重值(经验值);然后,探索输入层、中间层和输出层中注意力机制模块的多种融合方式;最后,将注意力机制模块的权重值更改为反向传播自动更新,从而得到注意力机制模块的最优权值和最优分割模型。实验结果表明,与原始Deeplab V3 Plus网络结构相比,引入自适应注意力机制的Deeplab V3 Plus网络结构在PASCAL VOC2012公共分割据集和植物虫害数据集上的平均交并比(MIOU)分别提高了1.4个百分点和0.7个百分点。
展开更多
关键词
语义分割
下采样操作
自适应注意力机制
注意力机制模块权重值
DeeplabV3
Plus
在线阅读
下载PDF
职称材料
题名
基于YOLOv5s室内目标检测轻量化改进算法研究
被引量：
12
1
作者
牛鑫宇
毛鹏军
段云涛
娄晓恒
机构
河南科技大学机电工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2024年第3期109-118,共10页
基金
洛阳市科技重大专项(2101018A)。
文摘
针对现有室内目标检测算法,存在结构复杂,计算量以及模型参数量过大等问题,难以部署到计算能力有限的室内机器人平台,实现高效的目标检测。为解决这一问题,提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征提取网络,并且在改进的主干网络基础上采用CA注意力机制,同时在颈部网络中采用GSConv和VOV-GSCSP模块。最后引入边框回归损失函数EIOU加快网络收敛。研究结果表明,改进后的目标检测算法,模型计算量减少了68.75%,模型参数量减少了62.2%,权重文件减少了59.7%,平均精确率mAP均值为0.653,改进后的目标检测模型能够在保证轻量化的同时保证检测精度。
关键词
YOLOv5s
轻量化
ShuffleNetv2网络
CA注意力机制
GSConv模块
VOV-GSCSP模块
EIOU损失函数
Keywords
YOLOv5s
light
weight
ShuffleNetv2
CA
attention
mechanism
GSConv
module
VOV-GSCSP
module
EIOU loss function
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
基于改进U-Net的不同容重小麦籽粒识别检测
被引量：
2
2
作者
吕宗旺
王玉琦
孙福艳
机构
河南工业大学信息科学与工程学院
粮食信息处理与控制教育部重点实验室
出处
《河南农业科学》
北大核心
2023年第10期141-152,共12页
基金
国家重点研发计划课题(2017YFD0401004)。
文摘
小麦质量等级检测过程中,容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题,需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集,针对小麦籽粒目标小、边缘分割不清晰等特点对U-Net网络进行改进。在主干网络上,采用残差堆叠模块来减少特征损失,在网络桥接部分嵌入CBAM注意力机制模块来加强对特征的进一步提取,在解码器部分嵌入自注意力机制模块,还原细节信息。结果表明,改进网络模型CBSA_U-Net的平均交并比(MIoU)为81.5%,比U-Net模型提升了1.8百分点,相较于PSPNet、DeepLabv3+模型分别提升了4.2、3.3百分点。
关键词
小麦
质量等级
籽粒识别
容重
残差模块
注意力机制
U-Net模型
分割
Keywords
Wheat
Quality grade
Kernel identification Volume
weight
Residual
module
attention
mechanism
U‑Net model
Segmentation
分类号
S126 [农业科学—农业基础科学]
在线阅读
下载PDF
职称材料
题名
基于Deeplab V3 Plus的自适应注意力机制图像分割算法
被引量：
14
3
作者
杨贞
彭小宝
朱强强
殷志坚
机构
江西科技师范大学通信与电子学院
出处
《计算机应用》
CSCD
北大核心
2022年第1期230-238,共9页
基金
国家自然科学基金资助项目(61866016,62061019)
江西省自然科学基金面上项目(20202BABL202014)
江西科技师范大学青年拔尖项目(2018QNBJRC002)。
文摘
针对Deeplab V3 Plus在下采样操作中图像细节信息和小目标信息过早丢失的问题,提出了一种基于Deeplab V3 Plus网络架构的自适应注意力机制图像语义分割算法。首先,在Deeplab V3 Plus主干网络的输入层、中间层和输出层均嵌入注意力机制模块,并且引入一个权重值与每个注意力机制模块相乘,以达到约束注意力机制模块的目的;其次,在PASCAL VOC2012公共分割数据集上训练嵌入注意力模块的Deeplab V3 Plus,以此手动获取注意力机制模块权重值(经验值);然后,探索输入层、中间层和输出层中注意力机制模块的多种融合方式;最后,将注意力机制模块的权重值更改为反向传播自动更新,从而得到注意力机制模块的最优权值和最优分割模型。实验结果表明,与原始Deeplab V3 Plus网络结构相比,引入自适应注意力机制的Deeplab V3 Plus网络结构在PASCAL VOC2012公共分割据集和植物虫害数据集上的平均交并比(MIOU)分别提高了1.4个百分点和0.7个百分点。
关键词
语义分割
下采样操作
自适应注意力机制
注意力机制模块权重值
DeeplabV3
Plus
Keywords
semantic segmentation
subsampling operation
adaptive
attention
mechanism
weight value of attention mechanism module
Deeplab V3 Plus
分类号
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
作者
出处
发文年
被引量
操作
1
基于YOLOv5s室内目标检测轻量化改进算法研究
牛鑫宇
毛鹏军
段云涛
娄晓恒
《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
基于改进U-Net的不同容重小麦籽粒识别检测
吕宗旺
王玉琦
孙福艳
《河南农业科学》
北大核心
2023
2
在线阅读
下载PDF
职称材料
3
基于Deeplab V3 Plus的自适应注意力机制图像分割算法
杨贞
彭小宝
朱强强
殷志坚
《计算机应用》
CSCD
北大核心
2022
14
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
