-
题名抗锯齿无锚框目标检测模型
被引量：1
- 1
-
-
作者
冉梦影
杨文柱
尹群杰
-
机构
河北大学网络空间安全与计算机学院
河北省机器视觉工程研究中心
-
出处
《计算机应用与软件》
北大核心
2025年第1期116-123,176,共9页
-
文摘
为了提升无锚框目标检测模型对物体多尺度检测性能,并实现检测速度与精度的最佳折中,提出一种具有抗锯齿能力的无锚框目标检测模型。下采样操作中,使用分组自适应低通滤波器解决网络中存在的锯齿问题;并联不同空洞率的空洞卷积进行多尺度特征融合,扩大神经元感受野范围。防止在模型训练过程中破坏网络参数,对损失函数进行实验讨论,替换为smooth L1 Loss函数。实验结果表明,在PASCAL VOC数据集上mAP指标达到了82.1%,FPS达到了32,与CenterNet-ResNet101相比,mAP提升了4.3%,FPS提升了18.5%。
-
关键词
目标检测
无锚框
锯齿问题
空洞卷积
损失函数
-
Keywords
Object detector
Anchor-free
Aliasing
Atrous convolution
Loss function
-
分类号
TU301.1
[建筑科学—结构工程]
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于跨层注意力与多记忆单元的车辆重识别方法
被引量：1
- 2
-
-
作者
齐玉亮
王伟明
王静
熊彦臻
李慧
-
机构
河北大学河北省机器视觉工程研究中心
河北高速公路集团有限公司京雄分公司
河北省交通运输运行监测与信息服务中心
河北大学网络空间安全与计算机学院
-
出处
《河北大学学报(自然科学版)》
北大核心
2025年第3期327-336,共10页
-
基金
河北高速公路集团“智能车载一体机”科技创新项目(冀高创〔2023〕294号)。
-
文摘
为了提高车辆重识别任务中特征表示的判别性能,目前大部分方法通过多分支结构来分别提取车辆的全局信息和局部细节信息,这样不仅会增加网络参数,同时还会消耗大量的时间.为了解决上述问题,提出了一种基于跨层注意力与多记忆单元的车辆重识别方法.首先,提出一种跨层注意力模块提取单分支网络中浅层的局部空间信息和深层的全局语义信息,再通过跨层注意力机制分配权重来融合不同层的信息,构建实例记忆单元和类别记忆单元分别储存实例级特征和类别级特征,并通过基于多记忆单元的身份损失来削弱噪声样本对特征表示的影响.实验结果表明,所提出方法在VeRi-776数据集上的mAP、CMC@1、CMC@5相比于基线网络分别提高了1.5%、0.3%、0.1%.在VehicleID数据集中测试集大小为800、1600、2400时,CMC@1相比于基线网络分别提高了1.9%、2.8%、3.8%.
-
关键词
跨层注意力
实例记忆单元
类别记忆单元
车辆重识别
-
Keywords
cross-layer attention
instance memory unit
class memory unit
vehicle re-identification
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于双域信息的深度残差网络图像去噪
被引量：2
- 3
-
-
作者
李凯
张辉
崔丽娟
彭锦佳
陈泰熙
-
机构
河北大学网络空间安全与计算机学院
河北大学图书馆
香港浸会大学计算机科学系
-
出处
《河北大学学报（自然科学版）》
CAS
北大核心
2023年第2期216-224,共9页
-
基金
河北省自然科学基金资助项目(F2022201009)。
-
文摘
基于深度学习的去噪技术,通过考虑视觉伪影和整体平滑噪声,提高了图像的质量.然而,它们很少涉及边缘细节的恢复.为此,本文提出了一种基于双域信息的深度残差网络去噪模型,利用小波域信息与空间域信息的融合来扩展网络学习信息,通过在激活单元内引入多尺度学习和空洞卷积,以此提取图像特征,并减少了网络参数.为了进一步改善去噪结果,结合小波域损失和空间域损失构造联合损失函数,使得网络获取更多的边缘与细节.实验结果表明,本文提出的方法不仅可以有效去除图像噪声,而且可以更好地恢复图像纹理细节,在主观和客观评价中均获得了更好的结果.
-
关键词
图像去噪
双域映射
残差学习
激活单元
损失函数
-
Keywords
image denoising
dual-domain mapping
residual learning
activation unit
loss function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名多尺度全局自适应注意力图神经网络
被引量：1
- 4
-
-
作者
苟茹茹
杨文柱
罗梓菲
原云峰
-
机构
河北大学网络空间安全与计算机学院
河北大学河北省机器视觉工程研究中心
-
出处
《计算机科学与探索》
CSCD
北大核心
2023年第12期3039-3051,共13页
-
文摘
针对动态多尺度图神经网络的编解码网络中存在的身体部位内部关节点间关联度不高和感受野受限制导致运动预测误差偏高的问题,提出了一种用于人体运动预测的多尺度全局自适应注意力图神经网络,降低运动预测误差。提出了一种划分骨架关节点的多距离分区策略,用于提高身体部位关节点信息在时间和空间上的关联程度;提出了全局自适应注意力时空卷积神经网络,以动态地加强网络对某一动作有贡献的时空关节点的关注度;将上述两处改进集成到图卷积神经网络门控循环单元中,以增强解码网络的状态传播性能,并降低预测误差。实验表明,与最新方法相比,该方法在Human 3.6M、CMU Mocap和3DPW数据集上的预测误差都有所下降。
-
关键词
运动预测
多距离分区策略
全局自适应注意力
时空图卷积神经网络
门控循环单元
-
Keywords
motion prediction
multi-distance partitioning strategy
global adaptive attention
spatial temporal graph convolution neural network
gated recurrent unit
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名结构α-熵的加权高斯混合模型的子空间聚类
被引量：10
- 5
-
-
作者
李凯
张可心
-
机构
河北大学网络空间安全与计算机学院
河北省机器视觉工程研究中心
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2022年第3期718-725,共8页
-
基金
河北省自然科学基金(No.F2018201060)。
-
文摘
利用信息熵或模糊熵确定子空间聚类中每个簇的不同特征,较好地解决了高维数据的子空间聚类.为了进一步提高聚类算法的性能,将权向量的负结构α-熵引入到高斯混合模型中,获得了结构α-熵的加权高斯混合的子空间聚类模型,提出了结构α-熵的加权高斯混合模型的子空间聚类算法SEWMM(Structuralα-Entropy Weighting Mixture Model),该算法不仅可以发现高维数据空间中位于不同子空间的簇,而且能够获得子空间中具有不同形状体积的簇.同时,进一步分析了算法的收敛性与时间复杂性.通过选取UCI(University of California,Irvine)标准数据集及图像数据集,对提出的算法SEWMM进行了实验,并与一些典型的聚类算法进行了比较,表明了提出的算法在总体性能上具有一定的提升.
-
关键词
模糊熵
结构α-熵
特征加权
高斯混合模型
高维数据
子空间聚类
-
Keywords
fuzzy entropy
structuralα-entropy
feature weighting
Gaussian mixture model
high-dimensional data
subspace clustering
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名无锚框目标检测模型通道剪枝方法
被引量：1
- 6
-
-
作者
冉梦影
杨文柱
尹群杰
-
机构
河北大学网络空间安全与计算机学院
河北省机器视觉工程研究中心
-
出处
《计算机科学与探索》
CSCD
北大核心
2023年第7期1634-1643,共10页
-
文摘
针对无锚框目标检测模型主干网络参数冗杂度大、计算开销高以及检测速度慢等问题,提出双维度注意力引导的通道剪枝算法(CPDAM),以便对无锚框目标检测模型进行压缩。利用池化层和组归一化操作提升通道注意和空间注意子模块性能;采用通道分组策略融合改进后的通道注意和空间注意子模块,并经过不断训练,为每个通道生成一个尺度值用于表示该通道在分类任务上的重要程度;利用尺度值计算一个全局尺度值,并根据该值评估通道重要性对主干网络进行通道剪枝;在PASCAL VOC、ImageNet、CIFAR-100等常用数据集上对剪枝前后的无锚框目标检测模型进行实验验证,结果表明,在mAP仅损失0.6个百分点的前提下,剪枝前后的CenterNet-ResNet101参数量从6.995×107减少至2.238×107,FPS从27提升至46。
-
关键词
无锚框
目标检测
注意力机制
通道剪枝
-
Keywords
anchor-free
object detector
attention module
channel pruning
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
