现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有...现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有像素级建模能力,提高它对小目标交通标志特征的提取能力,YOLOv7-NCAM算法使用FReLU激活函数构建了DBF和CBF两种卷积层,并用它们来组建模型的Backbone模块和Neck模块;提出一种归一化通道注意力机制(normalized channel attention mechanism,NCAM)并加入Head模块中。通过与整体网络一起训练,得到归一化(batch normalization,BN)缩放因子,利用缩放因子算出各个通道的权重因子,提升网络对交通标志特征的表达能力,从而使YOLOv7-NCAM网络模型能够集中关注检测目标交通标志。通过在CCTSDB-2021交通标志检测数据集上的测试,与YOLOv7网络模型对比结果表明,YOLOv7-NCAM算法对背景复杂下小交通标志的检测各项指标均有明显提高:准确率(precision,P)达到91.5%,比原网络高出9.5个百分点;召回率(recall,R)达到85.9%,比原网络高出5.7个百分点;均值平均精度(mean average precision,mAP)达到了91.4%,比原网络高出4.7个百分点。与现有的交通标志检测算法相比,YOLOv7-NCAM算法的检测准确率也有提高,且检测速度48.3 FPS,能满足实时需求。展开更多
图像修复问题中,局部细节特征的辨识修复和全局特征的保护是至关重要的。基于分数阶偏微分方程的模型具有丰富的演化行为能力,在图像修复中能较好地理解图像细节并兼具一定的锐化作用,但也易出现不能准确辨识较大尺度特征和过度锐化等...图像修复问题中,局部细节特征的辨识修复和全局特征的保护是至关重要的。基于分数阶偏微分方程的模型具有丰富的演化行为能力,在图像修复中能较好地理解图像细节并兼具一定的锐化作用,但也易出现不能准确辨识较大尺度特征和过度锐化等问题。为此提出以图像整体特征的总变差能量为目标函数,空间分数阶向量值Cahn-Hilliard方程为约束的最优控制模型,以达到局部细节修复和整体特征保持的均衡效果。通过L_(2)梯度流、H^(-1)梯度流和凸分裂设计非凸约束条件的数值计算格式,再结合分裂Bregman方法优化目标函数,并引入灰度级动态调整策略,保持灰度辨识能力的同时,进一步提升计算效率。数值实验表明,新模型修复结果的峰值信噪比(peak signal to noise ratio,PSNR)相较其他方法提升0.3718~9.9352 dB,结构相似指数(structural similarity,SSIM)表现出较强的竞争力,且在碎片破损的图像上更具效用;相较传统的分数阶方程模型,计算时间减少49.50%~52.91%。展开更多
文摘现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有像素级建模能力,提高它对小目标交通标志特征的提取能力,YOLOv7-NCAM算法使用FReLU激活函数构建了DBF和CBF两种卷积层,并用它们来组建模型的Backbone模块和Neck模块;提出一种归一化通道注意力机制(normalized channel attention mechanism,NCAM)并加入Head模块中。通过与整体网络一起训练,得到归一化(batch normalization,BN)缩放因子,利用缩放因子算出各个通道的权重因子,提升网络对交通标志特征的表达能力,从而使YOLOv7-NCAM网络模型能够集中关注检测目标交通标志。通过在CCTSDB-2021交通标志检测数据集上的测试,与YOLOv7网络模型对比结果表明,YOLOv7-NCAM算法对背景复杂下小交通标志的检测各项指标均有明显提高:准确率(precision,P)达到91.5%,比原网络高出9.5个百分点;召回率(recall,R)达到85.9%,比原网络高出5.7个百分点;均值平均精度(mean average precision,mAP)达到了91.4%,比原网络高出4.7个百分点。与现有的交通标志检测算法相比,YOLOv7-NCAM算法的检测准确率也有提高,且检测速度48.3 FPS,能满足实时需求。
文摘图像修复问题中,局部细节特征的辨识修复和全局特征的保护是至关重要的。基于分数阶偏微分方程的模型具有丰富的演化行为能力,在图像修复中能较好地理解图像细节并兼具一定的锐化作用,但也易出现不能准确辨识较大尺度特征和过度锐化等问题。为此提出以图像整体特征的总变差能量为目标函数,空间分数阶向量值Cahn-Hilliard方程为约束的最优控制模型,以达到局部细节修复和整体特征保持的均衡效果。通过L_(2)梯度流、H^(-1)梯度流和凸分裂设计非凸约束条件的数值计算格式,再结合分裂Bregman方法优化目标函数,并引入灰度级动态调整策略,保持灰度辨识能力的同时,进一步提升计算效率。数值实验表明,新模型修复结果的峰值信噪比(peak signal to noise ratio,PSNR)相较其他方法提升0.3718~9.9352 dB,结构相似指数(structural similarity,SSIM)表现出较强的竞争力,且在碎片破损的图像上更具效用;相较传统的分数阶方程模型,计算时间减少49.50%~52.91%。
