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
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：
基于局部和全局特征表示的小样本绝缘子缺陷检测
1
作者 崔克彬 胡真真 《计算机科学》 北大核心 2025年第6期286-296,共11页
为解决绝缘子缺陷样本数量少且缺陷目标小导致目前绝缘子缺陷检测精度偏低这一问题,提出一种结合CNN与Transformer的小样本目标检测模型(C-TFSIDD),通过融合图像局部和全局特征来更有效地实现绝缘子缺陷检测。首先,采用融合CNN局部细节... 为解决绝缘子缺陷样本数量少且缺陷目标小导致目前绝缘子缺陷检测精度偏低这一问题,提出一种结合CNN与Transformer的小样本目标检测模型(C-TFSIDD),通过融合图像局部和全局特征来更有效地实现绝缘子缺陷检测。首先,采用融合CNN局部细节捕捉能力与Transformer全局信息整合能力的Next-ViT作为特征提取模块,精准捕获绝缘子图像局部和全局特征信息;其次,采用改进路径聚合特征金字塔网络(Path Aggregation Feature Pyramid Network,PAFPN)进行双向多尺度特征融合,增强底层特征表示,以改善小目标的检测效果;最后,提出一个基于度量的判别性损失函数,在微调阶段优化分类器学习更具判别性的特征表示,以增加类别之间的可分性,减少类内变化的影响。在两个公开的绝缘子缺陷数据集上进行训练和评估,实验结果表明,与基线模型TFA相比,C-TFSIDD在样本为5shot,10shot,20shot的检测结果分别提升28.7%,35.5%,47.7%;与小样本目标检测模型FSCE相比,C-TFSIDD分别提升21.8%,26.7%,21.1%。结果表明,C-TFSIDD能有效提升小样本条件下的绝缘子缺陷检测精度。 展开更多
关键词 缺陷检测 绝缘子 小样本 CNN-Transformer 度量学习
在线阅读 下载PDF
基于MCB-FAH-YOLOv8的钢材表面缺陷检测算法 被引量：27
2
作者 崔克彬 焦静颐 《图学学报》 CSCD 北大核心 2024年第1期112-125,共14页
针对现有基于深度学习的钢材表面缺陷检测算法存在误检、漏检和检测精度低等问题,提出一种基于改进CBAM(modified CBAM,MCB)和可替换四头ASFF预测头(four-head ASFF prediction head,FAH)的YOLOv8钢材表面缺陷检测算法,简记为MCB-FAH-YO... 针对现有基于深度学习的钢材表面缺陷检测算法存在误检、漏检和检测精度低等问题,提出一种基于改进CBAM(modified CBAM,MCB)和可替换四头ASFF预测头(four-head ASFF prediction head,FAH)的YOLOv8钢材表面缺陷检测算法,简记为MCB-FAH-YOLOv8。通过加入改进后的卷积注意力机制模块(CBAM)对密集目标更好的确定;通过将FPN结构改为BiFPN更加高效的提取上下文信息;通过增加自适应特征融合(ASFF)自动找出最适合的融合特征;通过将SPPF模块替换为精度更高的SimCSPSPPF模块。同时,针对微小物体检测,提出了四头ASFF预测头,可根据数据集特点进行替换。实验结果表明,MCB-FAH-YOLOv8算法在VOC2007数据集上检测精度(mAP)达到了88.8%,在NEU-DET钢铁缺陷检测数据集上检测精度(mAP)达到了81.8%,较基准模型分别提高了5.1%和3.4%,该算法在牺牲较少检测速度的情况下取得较高的检测精度,很好的平衡了算法的精度和速度。 展开更多
关键词 MCB-FAH-YOLOv8 缺陷检测 注意力机制 四头ASFF预测头 特征融合
在线阅读 下载PDF
基于改进YOLOv8的船舰遥感图像旋转目标检测算法 被引量：5
3
作者 牛为华 郭迅 《图学学报》 CSCD 北大核心 2024年第4期726-735,共10页
针对船舰遥感目标图像检测中存在的小目标检测困难,船舰形状各异以及传统水平边界框对于高长宽比的目标所框选冗余信息较多的问题,提出了一种基于改进YOLOv8的船舰遥感图像旋转目标检测算法。通过改进主干网络中的卷积结构,缓解了由于... 针对船舰遥感目标图像检测中存在的小目标检测困难,船舰形状各异以及传统水平边界框对于高长宽比的目标所框选冗余信息较多的问题,提出了一种基于改进YOLOv8的船舰遥感图像旋转目标检测算法。通过改进主干网络中的卷积结构,缓解了由于跨步卷积所导致的细粒度信息丢失的问题,对于小目标检测的精度有所提升;将C2f中的部分卷积模块替换为DCNv3可变形卷积,使其可以更好提取不规则物体的特征信息,提高模型的非线性建模能力;在颈部网络中融入主干网络中的浅层特征信息,缓解了经多次卷积操作所导致的细节信息丢失的问题,提升了模型对小目标物体的检测能力。实验结果表明,改进后的算法在ShipRSImageNet数据集上的检测精度(mAP50)达到了84.317%,较基准模型提升了4.054%,在HRSC2016数据集上达到了93.235%,较基准模型提升了1.555%,在少量增加模型参数量的情况下取得了较高的检测性能,很好地平衡了模型的效率和性能。 展开更多
关键词 YOLOv8 旋转目标检测 可变形卷积 特征融合 深度学习
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部