-
题名基于FEW-YOLOv8遥感图像目标检测算法
被引量：1
- 1
-
-
作者
席阳丽
屈丹
王芳芳
都力铭
-
机构
郑州大学网络空间安全学院
战略支援部队信息工程大学信息系统工程学院
先进计算与智能工程(国家级)实验室
-
出处
《郑州大学学报(工学版)》
北大核心
2025年第4期62-69,共8页
-
基金
国家自然科学基金资助项目(62171470)
河南省中原科技创新领军人才项目(234200510019)
河南省自然科学基金资助项目(232300421240)。
-
文摘
针对遥感图像目标检测任务中进行特征提取时缺少小目标信息,特征融合过程中部分信息丢失,小目标特征信息不明显,导致小目标检测精度不高的问题,提出了一种基于FEW-YOLOv8模型的遥感图像目标检测算法。首先,优化骨干网络架构,使用FasterNet骨干网络,更有效地提取了遥感图像中小目标的空间特征,使得网络模型更专注于微小目标,从而提升小目标检测精度。其次,使用EMA注意力与C2f构建全新的C2f_EMA模块,替换Neck结构中的C2f模块,在融合特征前进行特征注意力加强操作,使网络模型更突出特征信息中小目标部分,有效解决特征融合过程中小目标特征丢失问题。最后,采用带有动态非单调FM的WIoUv3作为边界框的损失函数,提高了模型的边界框定位精度,并且提升了对小目标的检测性能。实验结果显示:在NWPU VHR-10数据集上经过优化的YOLOv8算法的mAP 50相较于原始YOLOv8算法提高了7.71百分点,在HRSC2016和DOTA v1.0上分别提高了9.70百分点和12.32百分点,证明所提算法能够有效提升遥感图像中小目标的检测精度。
-
关键词
遥感图像
YOLOv8
FasterNet骨干网络
EMA注意力机制
WIoU损失函数
-
Keywords
remote sensing images
YOLOv8
FasterNet backbone network
EMA attention mechanism
WIoU loss function
-
分类号
TP389.1
[自动化与计算机技术—计算机系统结构]
-
-
题名中文大模型生成式摘要能力评估
- 2
-
-
作者
王俊超
樊可汗
霍智恒
-
机构
先进计算与智能工程(国家级)实验室
郑州大学网络空间安全学院
-
出处
《中文信息学报》
北大核心
2025年第1期1-15,共15页
-
文摘
从传统的纸带机到当今大语言模型时代,自动文本摘要技术发展经历了多次质的飞跃并不断提升。但在中文摘要方面,由于其语言特点及叙述方式,机器生成的摘要难以与人工撰写的相媲美。如今,众多国产开源大模型均加强了对中文语料的训练并展示出较为优秀的成果。为了评估这些开源大模型在中文摘要任务上的实际表现,该文筛选ChatGLM2-6B、Baichuan2-7B和InternLM-7B等中文大模型作为研究对象,在中文摘要数据集上采用不同提示词生成零样本和少样本摘要,通过自动评估和人工比对的方法详细分析了它们在自动文本摘要任务上的表现及其不足之处。评估结果表明,ChatGLM2-6B和Baichuan2-7B通过零样本的方法通常能够总结出语句通顺叙述详尽的摘要,但在凝练程度上仍有不足;而少样本的方法可以使大模型生成更为精炼的摘要,但对重点信息的把握程度明显下降。此外,大模型也存在陷入重复、出现幻觉、与事实矛盾等问题。
-
关键词
自动文本摘要
大语言模型
能力评估
-
Keywords
automatic text summarization
Large Language Model
benchmark
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
