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
融合超分辨率重建技术的多尺度目标检测算法
被引量：
7
1
作者
王娟
刘子杉
+2 位作者
武明虎
陈关海
郭力权
《西安电子科技大学学报》
EI
CAS
CSCD
北大核心
2023年第3期122-131,共10页
目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象。针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法。首先,算法以单阶段目标检测算法YOLO框架为基础,在颈部网络...
目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象。针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法。首先,算法以单阶段目标检测算法YOLO框架为基础,在颈部网络实现多尺度特征融合时加入超分辨率重建模块,避免进一步丢失较深层特征图中的细节特征。其次,使用通道注意力模块将较浅层特征图中的无关特征进行抑制,重点关注含有目标轮廓特征的通道信息,进一步增强浅层特征的表达能力。最后,在PASCAL VOC 2007和MS COCO 2017公开数据集上进行了消融实验和对比实验。实验结果表明,所提模块对检测性能有不同程度的提升,相比当前其他多尺度目标检测算法,所提算法在大、中、小三种尺度下目标平均精确率分别提升约1.20%、1.20%和1.30%,平均召回率分别提升约4.20%、3.50%和4.20%,算法整体检测性能得到进一步改善。
展开更多
关键词
多尺度目标检测
超分辨率技术
注意力机制
深度学习
在线阅读
下载PDF
职称材料
基于迁移学习的三子网图像去雾方法
2
作者
武明虎
丁畅
+3 位作者
王娟
陈关海
刘子杉
郭力权
《电子与信息学报》
EI
CSCD
北大核心
2022年第10期3427-3434,共8页
目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(C...
目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成:残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。
展开更多
关键词
图像去雾
迁移学习
深度学习
集成学习
卷积神经网络
在线阅读
下载PDF
职称材料
融合压缩激活注意机制的图像去雾算法
3
作者
王娟
陈关海
+3 位作者
武明虎
刘子杉
郭力权
丁畅
《激光杂志》
CAS
北大核心
2023年第7期83-88,共6页
针对非均匀带雾图像出现颜色失真和细节丢失的问题,提出一种融合压缩激活注意力机制的端到端感知去雾卷积神经网络。首先,根据非均匀雾图特征,在特征融合注意网络上引入压缩激活注意力机制,通过学习的方式自动获取每个特征通道的重要程...
针对非均匀带雾图像出现颜色失真和细节丢失的问题,提出一种融合压缩激活注意力机制的端到端感知去雾卷积神经网络。首先,根据非均匀雾图特征,在特征融合注意网络上引入压缩激活注意力机制,通过学习的方式自动获取每个特征通道的重要程度,并对其进行排序后去提升有用的特征权重,遏制对当前任务用途较小的特征比例;其次,在损失函数方面融入感知损失,使去雾网络模型学习到更多语义特征信息,从而加强被模糊的边缘细节,获取较好的去雾效果;最后,在非均匀带雾图像NH-HAZE数据集上进行定性和定量分析。实验结果表明,所提出的网络与经典方法相比在量化指标PSNR、SSIM分别提升了3.05 dB和0.08%,且主观视觉效果上保留了更多的边缘信息和纹理细节。
展开更多
关键词
图像去雾
感知损失
卷积神经网络
深度学习
在线阅读
下载PDF
职称材料
题名
融合超分辨率重建技术的多尺度目标检测算法
被引量：
7
1
作者
王娟
刘子杉
武明虎
陈关海
郭力权
机构
湖北工业大学太阳能高效利用与储能运行控制湖北省实验室
出处
《西安电子科技大学学报》
EI
CAS
CSCD
北大核心
2023年第3期122-131,共10页
基金
国家自然科学基金(62006073)
湖北省中央引导地方科技发展专项(2019ZYYD020)
+1 种基金
湖北省重点研发计划(2021BGD013)
湖北工业大学自主探索计划(XJ2021002601)。
文摘
目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象。针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法。首先,算法以单阶段目标检测算法YOLO框架为基础,在颈部网络实现多尺度特征融合时加入超分辨率重建模块,避免进一步丢失较深层特征图中的细节特征。其次,使用通道注意力模块将较浅层特征图中的无关特征进行抑制,重点关注含有目标轮廓特征的通道信息,进一步增强浅层特征的表达能力。最后,在PASCAL VOC 2007和MS COCO 2017公开数据集上进行了消融实验和对比实验。实验结果表明,所提模块对检测性能有不同程度的提升,相比当前其他多尺度目标检测算法,所提算法在大、中、小三种尺度下目标平均精确率分别提升约1.20%、1.20%和1.30%,平均召回率分别提升约4.20%、3.50%和4.20%,算法整体检测性能得到进一步改善。
关键词
多尺度目标检测
超分辨率技术
注意力机制
深度学习
Keywords
multi-scale object detection
super-resolution technology
attention mechanism
deep learning
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于迁移学习的三子网图像去雾方法
2
作者
武明虎
丁畅
王娟
陈关海
刘子杉
郭力权
机构
湖北工业大学
湖北
能源互联网工程技术研究中心
湖北工业大学太阳能高效利用与储能运行控制湖北省实验室
出处
《电子与信息学报》
EI
CSCD
北大核心
2022年第10期3427-3434,共8页
基金
国家自然科学基金(62006073),中央支持湖北省地方建设专项项目(2019ZYYD020)。
文摘
目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成:残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。
关键词
图像去雾
迁移学习
深度学习
集成学习
卷积神经网络
Keywords
Image dehazing
Transfer learning
Deep learning
Integrated learning
Convolutional Neural Network(CNN)
分类号
TN911.73 [电子电信—通信与信息系统]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
融合压缩激活注意机制的图像去雾算法
3
作者
王娟
陈关海
武明虎
刘子杉
郭力权
丁畅
机构
湖北工业大学
湖北
能源互联网工程技术研究中心
湖北工业大学太阳能高效利用与储能运行控制湖北省实验室
出处
《激光杂志》
CAS
北大核心
2023年第7期83-88,共6页
基金
国家自然科学基金(No.62006073)
湖北省教育厅科技攻关项目(No.T201805)
+1 种基金
湖北省重点研发计划(No.2021BGD13)
湖北工业大学绿色工业计划自主探索项目(No.XJ2021002601)。
文摘
针对非均匀带雾图像出现颜色失真和细节丢失的问题,提出一种融合压缩激活注意力机制的端到端感知去雾卷积神经网络。首先,根据非均匀雾图特征,在特征融合注意网络上引入压缩激活注意力机制,通过学习的方式自动获取每个特征通道的重要程度,并对其进行排序后去提升有用的特征权重,遏制对当前任务用途较小的特征比例;其次,在损失函数方面融入感知损失,使去雾网络模型学习到更多语义特征信息,从而加强被模糊的边缘细节,获取较好的去雾效果;最后,在非均匀带雾图像NH-HAZE数据集上进行定性和定量分析。实验结果表明,所提出的网络与经典方法相比在量化指标PSNR、SSIM分别提升了3.05 dB和0.08%,且主观视觉效果上保留了更多的边缘信息和纹理细节。
关键词
图像去雾
感知损失
卷积神经网络
深度学习
Keywords
image dehazing
perceptual loss
convolutional neural network
deep learning
分类号
TN249 [电子电信—物理电子学]
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
融合超分辨率重建技术的多尺度目标检测算法
王娟
刘子杉
武明虎
陈关海
郭力权
《西安电子科技大学学报》
EI
CAS
CSCD
北大核心
2023
7
在线阅读
下载PDF
职称材料
2
基于迁移学习的三子网图像去雾方法
武明虎
丁畅
王娟
陈关海
刘子杉
郭力权
《电子与信息学报》
EI
CSCD
北大核心
2022
0
在线阅读
下载PDF
职称材料
3
融合压缩激活注意机制的图像去雾算法
王娟
陈关海
武明虎
刘子杉
郭力权
丁畅
《激光杂志》
CAS
北大核心
2023
0
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
