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
1
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
融合多尺度多头自注意力和在线难例挖掘的小样本硅藻检测
被引量：
4
1
作者
邓杰航
郭文权
+6 位作者
陈汉杰
顾国生
刘景建
杜宇坤
刘超
康晓东
赵建
《计算机应用》
CSCD
北大核心
2022年第8期2593-2600,共8页
硅藻训练样本量较少时,检测精度偏低,为此在小样本目标检测模型TFA(Two-stage Fine-tuning Approach)的基础上提出一种融合多尺度多头自注意力(MMS)和在线难例挖掘(OHEM)的小样本硅藻检测模型(MMSOFDD)。首先,结合ResNet-101与多头自注...
硅藻训练样本量较少时,检测精度偏低,为此在小样本目标检测模型TFA(Two-stage Fine-tuning Approach)的基础上提出一种融合多尺度多头自注意力(MMS)和在线难例挖掘(OHEM)的小样本硅藻检测模型(MMSOFDD)。首先,结合ResNet-101与多头自注意力机制构造一个基于Transformer的特征提取网络BoTNet-101,以充分利用硅藻图像的局部和全局信息;然后,改进多头自注意力为MMS,消除了原始多头自注意力的处理目标尺度单一的局限性;最后,引入OHEM到模型预测器中,并对硅藻进行识别与定位。把所提模型与其他小样本目标检测模型在自建硅藻数据集上进行消融及对比实验。实验结果表明:与TFA相比,MMSOFDD的平均精度均值(mAP)为69.60%,TFA为63.71%,MMSOFDD提高了5.89个百分点;与小样本目标检测模型Meta R-CNN和FSIW相比,Meta R-CNN和FSIW的mAP分别为61.60%和60.90%,所提模型的mAP分别提高了8.00个百分点和8.70个百分点。而且,MMSOFDD在硅藻训练样本量少的条件下能够有效地提高检测模型对硅藻的检测精度。
展开更多
关键词
小样本
硅藻检测
卷积神经网络
TRANSFORMER
在线难例挖掘
多尺度多头自注意力
在线阅读
下载PDF
职称材料
题名
融合多尺度多头自注意力和在线难例挖掘的小样本硅藻检测
被引量：
4
1
作者
邓杰航
郭文权
陈汉杰
顾国生
刘景建
杜宇坤
刘超
康晓东
赵建
机构
广东工业大学计算机学院
广东工业大学自动化学院
法医
病理学
公安部
重点
实验室
(
广州市
刑事
科学技术
研究所
)
出处
《计算机应用》
CSCD
北大核心
2022年第8期2593-2600,共8页
基金
国家自然科学基金资助项目(61202267)
广东工业大学创新训练项目(xj202111845544)
广州市科技计划项目(2019030001)。
文摘
硅藻训练样本量较少时,检测精度偏低,为此在小样本目标检测模型TFA(Two-stage Fine-tuning Approach)的基础上提出一种融合多尺度多头自注意力(MMS)和在线难例挖掘(OHEM)的小样本硅藻检测模型(MMSOFDD)。首先,结合ResNet-101与多头自注意力机制构造一个基于Transformer的特征提取网络BoTNet-101,以充分利用硅藻图像的局部和全局信息;然后,改进多头自注意力为MMS,消除了原始多头自注意力的处理目标尺度单一的局限性;最后,引入OHEM到模型预测器中,并对硅藻进行识别与定位。把所提模型与其他小样本目标检测模型在自建硅藻数据集上进行消融及对比实验。实验结果表明:与TFA相比,MMSOFDD的平均精度均值(mAP)为69.60%,TFA为63.71%,MMSOFDD提高了5.89个百分点;与小样本目标检测模型Meta R-CNN和FSIW相比,Meta R-CNN和FSIW的mAP分别为61.60%和60.90%,所提模型的mAP分别提高了8.00个百分点和8.70个百分点。而且,MMSOFDD在硅藻训练样本量少的条件下能够有效地提高检测模型对硅藻的检测精度。
关键词
小样本
硅藻检测
卷积神经网络
TRANSFORMER
在线难例挖掘
多尺度多头自注意力
Keywords
few-shot
diatom detection
Convolutional Neural Network(CNN)
Transformer
Online Hard Example Mining(OHEM)
Multi-scale Multi-head Self-attention(MMS)
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
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
作者
出处
发文年
被引量
操作
1
融合多尺度多头自注意力和在线难例挖掘的小样本硅藻检测
邓杰航
郭文权
陈汉杰
顾国生
刘景建
杜宇坤
刘超
康晓东
赵建
《计算机应用》
CSCD
北大核心
2022
4
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
