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
2
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
Transformer结构与注意力机制融合的无人机图像小目标识别方法
1
作者
王国帅
黄贻望
+2 位作者
刘建晓
毛志
刘声
《南京大学学报(自然科学版)》
北大核心
2025年第2期214-222,共9页
目前无人机(Unmanned Aerial Vehicle,UAV)航拍图像中存在较多密集和尺寸较小的实例,识别效果往往较差.针对此问题,在YOLOv5的骨干网络中使用带有Transformer结构的C3TR模块替换原有的C3(CSP Bottleneck with 3 Convolutions)模块来增...
目前无人机(Unmanned Aerial Vehicle,UAV)航拍图像中存在较多密集和尺寸较小的实例,识别效果往往较差.针对此问题,在YOLOv5的骨干网络中使用带有Transformer结构的C3TR模块替换原有的C3(CSP Bottleneck with 3 Convolutions)模块来增强骨干网络的特征提取能力,之后,在SPPF层后加入CA(Coordinate Attention)模块来增强模型对小目标区域的关注度.其次,在颈部网络中使用ConvNeXtBlock模块替换C3模块,ConvNeXtBlock的深层卷积能够进一步增强对小目标细节的识别,提高目标检测的准确性.最后,使用ECIoU损失函数替换CIoU损失函数来进一步提升模型的收敛速度和精度.实验结果表明,在VisDrone2019公开数据集上,与基线模型YOLOv5l相比,改进模型的mAP_(0.5)和mAP_(0.5∶0.95)分别提升9.5%和6.3%,和其他模型相比也有比较好的效果.
展开更多
关键词
无人机
YOLOv5
小目标
TRANSFORMER
注意力机制
在线阅读
下载PDF
职称材料
KMeans++与注意力机制融合的苹果叶片病害识别方法
2
作者
黄贻望
王国帅
+1 位作者
毛志
刘声
《江苏农业科学》
北大核心
2024年第20期190-198,共9页
为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题,在YOLO v5s的基础上提出一种新的改进方法。该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框;其次在骨干网络中加入卷积块注意几模块(convolut...
为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题,在YOLO v5s的基础上提出一种新的改进方法。该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框;其次在骨干网络中加入卷积块注意几模块(convolutional block attention module,CBAM),来提升复杂环境下小目标特征的提取能力;再次为了增强颈部网络对不同大小病害多尺度特征的有效识别,选择ConvNeXtBlock模块替换C3(CSP bottleneck with 3 convolutions)模块,并在颈部网络中融入坐标注意力模块(coordinate attention,CA),来加强模型对关键空间位置的响应,使得不同尺度的特征都能被更有效地利用;最后使用ECIoU损失函数替换原始的CIoU损失函数,来提高模型的收敛速度和精度。与Faster R-CNN、SSD、YOLO v5s、YOLO v7、YOLO v8目标检测模型相比,改进后模型的平均精度均值(mean average precision,mAP 0.5)值分别提升0.6、4.6、6.3、1.7、1.3百分点,同时在强光照、模糊、暗光的复杂场景下具有较强的鲁棒性。该模型可以为复杂环境下苹果叶片病害的识别提供行之有效的方案。
展开更多
关键词
苹果
叶片病害
病害检测
注意力机制
ConvNeXtBlock
卷积块注意力模块(CBAM)
CA
在线阅读
下载PDF
职称材料
题名
Transformer结构与注意力机制融合的无人机图像小目标识别方法
1
作者
王国帅
黄贻望
刘建晓
毛志
刘声
机构
铜仁学院大数据学院/经济管理学院
华中农业大学信息
学院
民族教育信息化教育部重点实验室
智能计算与信息处理教育部重点实验室
出处
《南京大学学报(自然科学版)》
北大核心
2025年第2期214-222,共9页
基金
国家自然科学基金(62066040)
民族教育信息化教育部重点实验室开放课题(EIN2024B003)
+4 种基金
2023年度智能计算与信息处理教育部重点实验室开放课题(2023ICIP05)
国家留学基金委西部地区人才培养特别项目(202108525007)
铜仁市大数据智能计算与应用重点实验(铜仁市科研[2022]5号)
贵州省科技厅基础研究计划(黔科合基础-zk[2025]面上096,ZK[2022]557)
贵州省基础研究(自然科学)(MS[2025]096)。
文摘
目前无人机(Unmanned Aerial Vehicle,UAV)航拍图像中存在较多密集和尺寸较小的实例,识别效果往往较差.针对此问题,在YOLOv5的骨干网络中使用带有Transformer结构的C3TR模块替换原有的C3(CSP Bottleneck with 3 Convolutions)模块来增强骨干网络的特征提取能力,之后,在SPPF层后加入CA(Coordinate Attention)模块来增强模型对小目标区域的关注度.其次,在颈部网络中使用ConvNeXtBlock模块替换C3模块,ConvNeXtBlock的深层卷积能够进一步增强对小目标细节的识别,提高目标检测的准确性.最后,使用ECIoU损失函数替换CIoU损失函数来进一步提升模型的收敛速度和精度.实验结果表明,在VisDrone2019公开数据集上,与基线模型YOLOv5l相比,改进模型的mAP_(0.5)和mAP_(0.5∶0.95)分别提升9.5%和6.3%,和其他模型相比也有比较好的效果.
关键词
无人机
YOLOv5
小目标
TRANSFORMER
注意力机制
Keywords
UAV
YOLOv5
small object
Tansformer
atention mechanism
分类号
P391.41 [天文地球—地球物理学]
在线阅读
下载PDF
职称材料
题名
KMeans++与注意力机制融合的苹果叶片病害识别方法
2
作者
黄贻望
王国帅
毛志
刘声
机构
铜仁学院大数据学院/经济管理学院
民族教育信息化教育部重点实验/云南师范大学
铜仁
学院
乡村振兴研究中心
出处
《江苏农业科学》
北大核心
2024年第20期190-198,共9页
基金
国家自然科学基金(编号:62066040)
民族教育信息化教育部重点实验室开放课题(编号:EIN2024B003)
+3 种基金
智能计算与信息处理教育部重点实验室开放课题(编号:2023ICIP05)
国家留学基金委西部地区人才培养特别项目(编号:202108525007)
铜仁市大数据智能计算与应用重点实验室项目(编号:铜仁市科研[2022]5号)
贵州省科技基础研究计划(编号:[2022]557)。
文摘
为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题,在YOLO v5s的基础上提出一种新的改进方法。该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框;其次在骨干网络中加入卷积块注意几模块(convolutional block attention module,CBAM),来提升复杂环境下小目标特征的提取能力;再次为了增强颈部网络对不同大小病害多尺度特征的有效识别,选择ConvNeXtBlock模块替换C3(CSP bottleneck with 3 convolutions)模块,并在颈部网络中融入坐标注意力模块(coordinate attention,CA),来加强模型对关键空间位置的响应,使得不同尺度的特征都能被更有效地利用;最后使用ECIoU损失函数替换原始的CIoU损失函数,来提高模型的收敛速度和精度。与Faster R-CNN、SSD、YOLO v5s、YOLO v7、YOLO v8目标检测模型相比,改进后模型的平均精度均值(mean average precision,mAP 0.5)值分别提升0.6、4.6、6.3、1.7、1.3百分点,同时在强光照、模糊、暗光的复杂场景下具有较强的鲁棒性。该模型可以为复杂环境下苹果叶片病害的识别提供行之有效的方案。
关键词
苹果
叶片病害
病害检测
注意力机制
ConvNeXtBlock
卷积块注意力模块(CBAM)
CA
分类号
S126 [农业科学—农业基础科学]
TP391.41 [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
Transformer结构与注意力机制融合的无人机图像小目标识别方法
王国帅
黄贻望
刘建晓
毛志
刘声
《南京大学学报(自然科学版)》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
KMeans++与注意力机制融合的苹果叶片病害识别方法
黄贻望
王国帅
毛志
刘声
《江苏农业科学》
北大核心
2024
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
