检索结果-内蒙古大学图书馆

农业工程学报 2022年第20期38卷 266-275页

作者：何东宇朱荣光范彬彬王世昌崔晓敏姚雪东石河子大学机械电气工程学院石河子832003 农业农村部西北农业装备重点实验室石河子832003

针对羊肉精和染色剂作用下的猪肉掺假羊肉分类检测问题,该研究提出并建立了一种检测速度较快、精度较高的注意力机制结合倒置残差网络模型,同时基于智能手机开发了对应的快速、准确检测应用软件。首先,对羊肉、不同部位猪肉、不同掺假... 详细信息

针对羊肉精和染色剂作用下的猪肉掺假羊肉分类检测问题,该研究提出并建立了一种检测速度较快、精度较高的注意力机制结合倒置残差网络模型,同时基于智能手机开发了对应的快速、准确检测应用软件。首先,对羊肉、不同部位猪肉、不同掺假比例下的猪肉掺假羊肉的原始手机图像,使用数据增强方式进行数据扩充;其次,用倒置残差结构替换残差网络框架中的原有残差结构,以减少网络参数量并加快模型收敛速度,同时,引入注意力机制(Convolutional Block Attention Module,CBAM),利用空间和通道特征对特征权重再分配,以强化掺假羊肉和羊肉之间的特征差异;然后,利用提出的注意力机制结合倒置残差网络(CBAM-Invert-ResNet)对样本进行训练并确定模型参数;最后,将训练好的网络模型移植到智能手机,以实现掺假羊肉的移动端检测。研究结果表明:与ResNet50和CBAM-ResNet50相比,Invert-ResNet50、CBAM-Invert-ResNet50模型的参数量分别减少了58.25%和61.64%,模型大小分别减小了58.43%和61.59%;针对背脊、前腿、后腿和混合部位数据集,CBAM-Invert-ResNet50模型验证集的分类准确率分别为95.19%、94.29%、95.81%、92.96%;把建立的网络模型部署到移动端后,每张图片的检测时间约为0.3 s。该研究可实现对羊肉精和染色剂作用下的不同部位猪肉掺假羊肉的移动端快速、准确分类检测,可为维护市场秩序和保护食品安全提供技术支持。

关键词：图像处理深度学习羊肉掺假注意力机制倒置残差智能手机羊肉精染色剂

来源：评论

学校读者我要写书评

暂无评论

基于倒置残差注意力的无人机航拍图像小目标检测

引用

北京航空航天大学学报 2023年第3期49卷 514-524页

作者：刘树东刘业辉孙叶美李懿霏王娇天津城建大学计算机与信息工程学院天津300384

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和... 详细信息

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和深层语义信息,提升小目标的检测精度;在特征融合部分设计多尺度特征融合模块,融合浅层空间信息和深层语义信息,并生成4个不同感受野的检测头,提升模型对小尺寸目标的识别能力,减少小目标的漏检;设计马赛克混合数据增强方法,建立数据之间的线性关系,增加图像背景复杂度,提升算法的鲁棒性。在VisDrone数据集上的实验结果表明:所提模型的平均精度均值比DSHNet模型提升了1.2%,有效改善了无人机航拍图像小目标漏检、误检的问题。

关键词：目标检测无人机图像倒置残差注意力多尺度特征融合

来源：评论

学校读者我要写书评

暂无评论

基于倒置残差的井下无人车目标检测研究

引用

矿业研究与开发 2024年第4期44卷 222-227页

作者：杨伟康吕文生杨鹏张宇栋党龙飞北京科技大学土木与资源工程学院北京100083 北京联合大学城市轨道交通与物流学院北京100101

对井下光线昏暗、光照不均、背景复杂等特殊工况环境的影响下,所形成的图像目标存在细节特征少、图像模糊等问题进行了研究,提出了一种基于倒置残差结构改进YOLOv5s模型的检测算法,以此解决井下目标检测精度低的问题。首先主干网络部分... 详细信息

对井下光线昏暗、光照不均、背景复杂等特殊工况环境的影响下,所形成的图像目标存在细节特征少、图像模糊等问题进行了研究,提出了一种基于倒置残差结构改进YOLOv5s模型的检测算法,以此解决井下目标检测精度低的问题。首先主干网络部分引入通道注意力神经网络模块(SE-Net),提高检测精度;颈部网络部分在BottleneckCSP模块中引入倒置残差结构,将通道进行扩充,丰富特征数量,进一步提升检测精度。在自建井下数据集上进行检测试验,结果表明,基于倒置残差的模型平均检测精度均值(交并比为0.5)达84.4%,相比YOLOv5s模型精度提高了16.7个百分点,参数量减少了17.1%,模型轻量化且精度高,可有效改善井下目标检测精度低的问题,基本满足井下无人车目标检测的需求。

关键词：井下图像目标检测倒置残差注意力 YOLOv5s模型

来源：评论

学校读者我要写书评

暂无评论

PIC2f-YOLO:金属表面缺陷检测轻量化方法

引用

光电工程 2025年第1期52卷 87-100页

作者：胡依伦杨俊许聪源夏亚金邓文斌浙江理工大学计算机科学与技术学院浙江杭州310018 嘉兴大学信息科学与工程学院浙江嘉兴314001 海盐中达金属电子材料有限公司浙江嘉兴314300

针对金属表面缺陷检测效率低以及检测算法参数量大、精度低的问题,本文提出了一种改进YOLOv8n的金属表面缺陷检测轻量化方法。首先,设计局部卷积倒置交叉融合(partial inverted bottleneck cross stage partial fusion,PIC2f)模块,该模... 详细信息

针对金属表面缺陷检测效率低以及检测算法参数量大、精度低的问题,本文提出了一种改进YOLOv8n的金属表面缺陷检测轻量化方法。首先,设计局部卷积倒置交叉融合(partial inverted bottleneck cross stage partial fusion,PIC2f)模块,该模块通过构造的局部卷积倒置瓶颈(partial IRMB bottleneck,PIBN)模块替换BottleNeck模块,将部分卷积和倒置残差块组合,从而减少算法的参数量并提升模型的特征提取能力。然后,采用基于注意力尺寸内特征交互(attention-based intra-scale feature interaction,AIFI)模块,该模块结合位置嵌入和多头注意力机制,增强了模型对小目标的检测能力。最后,使用平均池化下采样(average pooling down sampling,ADown)模块替换传统卷积作为模型特征缩减模块,通过池化和卷积操作,在不降低检测精度情况下,进一步减少模型的参数量和计算复杂度。实验结果表明,与YOLOv8n算法相比,在NEU-DET钢材缺陷数据集上的PIC2f-YOLO方法的mAP_(50)增加了2.7%,参数量减少了0.403 M。在铝片表面工业缺陷、PASCAL VOC2012和带状合金功能材料表面缺陷数据集上的泛化性实验也验证了PIC2f-YOLO方法的有效性。

关键词：表面缺陷检测局部卷积倒置残差注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于边缘设备的快速单目深度估计算法研究

引用

计算机测量与控制 2025年第4期33卷 262-269页

作者：王文帅韩军邹小燕倪源松胡广怡上海大学通信与信息工程学院上海200444 浙江华云信息科技有限公司杭州310051

单目深度估算采用单一相机,安装方便,在机器人、无人机领域有广泛的应用;由于单目深度估计算法采用基于编码-解码的复杂的深度神经网络结构会导致边缘设备实时推理效率较低的问题,进而提出了一种可以在边缘设备上实时深度估计的网络架构... 详细信息

单目深度估算采用单一相机,安装方便,在机器人、无人机领域有广泛的应用;由于单目深度估计算法采用基于编码-解码的复杂的深度神经网络结构会导致边缘设备实时推理效率较低的问题,进而提出了一种可以在边缘设备上实时深度估计的网络架构;该架构采用倒置残差块设计的编码端,采用残差深度可分离卷积与最近邻插值重新设计的解码端,大大减少了模型的参数和计算量,并通过跨层连接将编码网络的特征与解码网络的特征相融合增强深度图中物体的边缘细节信息;实验结果表明,提出的网络架构参数量减少了82%,计算量减少了92%,在KITTI数据集上达到了先进的性能,并且在Jetson TX2上推理速度达到了50 FPS。

关键词：深度感知单目相机边缘设备倒置残差神经网络

来源：评论

学校读者我要写书评

暂无评论

基于DI-PointNet的变电站主设备点云高精度语义分割方法

引用

电工技术学报 2024年第9期40卷 2917-2930页

作者：裴少通孙海超孙志周胡晨龙祝雨馨华北电力大学河北省输变电设备安全防御重点实验室国网智能科技股份有限公司

在变电站机器人巡检任务中，三维点云数据的高精度语义分割是关键技术之一，有助于机器人理解电力设备、障碍物和其他物体的空间布局。然而，现有的点云分割算法在变电站场景中的效果有限，准确度较低、计算复杂度高，难以实现对变电站... 详细信息

在变电站机器人巡检任务中，三维点云数据的高精度语义分割是关键技术之一，有助于机器人理解电力设备、障碍物和其他物体的空间布局。然而，现有的点云分割算法在变电站场景中的效果有限，准确度较低、计算复杂度高，难以实现对变电站主设备点云的准确分割，为了解决这一问题，该文提出了一种基于PointNet++的DI-PointNet算法。首先，采用双层连续变换器模块，增强点云之间的信息交互，有效地聚合长距离上下文，增大网络有效感受野；其次，通过分层键采样策略生成自注意力机制所需的键值，降低算法复杂度；最后，使用倒置残差模块，通过倒置瓶颈设计和残差连接来缓解梯度消失，有效地增加模型的深度，同时降低计算复杂度。同时，该文构建了变电站点云数据集，并对DI-PointNet算法进行了详细的消融实验，并与主流深度学习算法和电力领域典型点云分割算法进行了对比实验。实验验证结果表明，DI-PointNet对变电站主设备点云分割的平均交并比达到了82.5%，相比PointNet++算法提高了2.1%，且总体精度提高了3.4%，达到90.1%。DI-PointNet为智能电力设备巡检和维护提供了有效的解决方案。

关键词：点云语义分割双层连续变换器分层键采样倒置残差变电站

来源：评论

学校读者我要写书评

暂无评论

基于改进PointNet++的输电线路关键部位点云语义分割研究

引用

高电压技术 2024年第5期50卷 1943-1953,I0009页

作者：杨文杰裴少通刘云鹏胡晨龙杨瑞张行远华北电力大学河北省输变电设备安全防御重点实验室保定071003 华北电力大学新能源电力系统国家重点实验室北京102206

输电线路的关键部位包括塔身、导线、绝缘子、避雷线以及引流线,无人机精细化导航的首要任务是构造输电线路的点云地图并从中分割出上述部位。为解决现有算法在输电线路的绝缘子、引流线等精细结构分割时精度低的问题,通过改进PointNet+... 详细信息

输电线路的关键部位包括塔身、导线、绝缘子、避雷线以及引流线,无人机精细化导航的首要任务是构造输电线路的点云地图并从中分割出上述部位。为解决现有算法在输电线路的绝缘子、引流线等精细结构分割时精度低的问题,通过改进PointNet++算法,提出了一种面向输电线路精细结构的点云分割方法。首先,基于无人机机载激光雷达在现场采集的点云数据,构造了输电线路点云分割数据集;其次,通过对比实验,筛选出在本输电线路场景下合理的数据增强方法,并对数据集进行了数据增强;最后,将自注意力机制以及倒置残差结构和PointNet++相结合,设计了输电线路关键部位点云语义分割算法。实验结果表明:该改进PointNet++算法在全场景输电线路现场点云数据作为输入的前提下,首次实现了对引流线、绝缘子等输电线路中精细结构和导线、杆塔塔身以及输电线路无关背景点的同时分割,平均交并比(mean intersection over union,mIoU)达80.79%,所有类别分割的平均F_(1)值(F1 score)达88.99%。

关键词：点云深度学习点云语义分割数据增强自注意力倒置残差

来源：评论

学校读者我要写书评

暂无评论

改进RepSurf的点云语义分割

引用

现代电子技术 2024年第5期47卷 143-147页

作者：高学壮禹龙田生伟伊洋洋张波罗培新新疆大学软件学院新疆乌鲁木齐830000 新疆子畅软件有限公司新疆乌鲁木齐830000 中国铁路乌鲁木齐局集团有限公司新疆乌鲁木齐830000

点云分析一直以来都是一个具有挑战性的问题,主要是因为点云数据的非结构化特性所致。为了解决这个问题,RepSurf基于PointNet++提出了一种多曲面表示局部点云特征的方法。然而,RepSurf中的集合抽象层仅通过一个MLP学习局部特征,这远远... 详细信息

点云分析一直以来都是一个具有挑战性的问题,主要是因为点云数据的非结构化特性所致。为了解决这个问题,RepSurf基于PointNet++提出了一种多曲面表示局部点云特征的方法。然而,RepSurf中的集合抽象层仅通过一个MLP学习局部特征,这远远不够。为此,引入了两个模块,即倒置残差模块和注意力模块。这两个简单但有效的即插即用模块可以更好地学习局部特征。倒置残差模块通过添加更多的MLP层,丰富了特征提取过程;而注意力模块则包括通道注意力和空间注意力,更加关注关键点特征的学习,使得学习到的特征更具代表性。在公共基准数据集S3DIS上评估了文中的方法,在语义分割任务中mIoU指标达到72.3%,比RepSurf高出2.5%。

关键词：点云语义分割倒置残差注意力 RepSurf MLP

来源：评论

学校读者我要写书评

暂无评论

基于改进卷积神经网络的图像超分辨率重建算法研究

基于改进卷积神经网络的图像超分辨率重建算法研究

引用

作者：王然湖北工业大学

学位级别：硕士

图像是传递信息的最直观方式之一,随着更多高清图像显示设备的普及,人们对图像的质量要求逐渐提高。超分辨率技术是一种通过软件,构建低分辨率图像到高分辨率图像之间的映射关系,以提高原有图像分辨率的图像重建方法。近年来,由于应用... 详细信息

图像是传递信息的最直观方式之一,随着更多高清图像显示设备的普及,人们对图像的质量要求逐渐提高。超分辨率技术是一种通过软件,构建低分辨率图像到高分辨率图像之间的映射关系,以提高原有图像分辨率的图像重建方法。近年来,由于应用范围广,实际需求多,图像超分辨率成为视觉研究的热门方向之一。同时,深度学习的迅猛发展,基于卷积神经网络的图像超分辨率成为一种主要的重建方法。然而,深度太浅的卷积神经网络无法学习到图像中较多的特征,使重建图像质量不高,而深度过深的卷积神经网络在图像重建的过程中消耗大量时间和内存,难以实际应用。本文对现有的卷积神经网络模型进行改进,应用于单幅图像的超分辨率重建,主要工作如下:1.提出了一种基于级联倒置残差网络的图像超分辨率算法(CIRN)。针对FSRCNN网络层数不深却运行时间较长的问题,将残差学习引入网络模型来快速传递图像中存在的冗余信息。同时,为了提高中间网络层的学习和运行效率,增加倒置残差结构,在卷积层数不变时降低网络模型参数量。为了训练出更好的结果,使用更为常用的L1损失函数。2.提出了一种基于深度密集残差收缩网络的图像超分辨率算法(DDRSN)。以往的深层卷积神经网络只是简单的堆叠卷积层来提高网络性能,忽略了图像超分辨率中高低分辨率图像之间的关联性,学习了过多冗余信息。DDRSN引入注意力机制,为了消除冗余信息在网络中的传播,将通道注意力信息通过软阈值化进行收缩,只保留对重建图像影响较大高频信息。同时,为了保证图像信息的快速流通,使用密集连接将各个特征学习块进行连接。总体上,实验结果表明本文提出的算法在效率和性能上分别有一定的提高。CIRN仅拥有21K的网络参数量,在效率上,相比较FSRCNN拥有更快的运行速度,在Set5数据集上提高了0.54s。DDRSN相对于经典超分辨率模型,输出的重建图像在测试集上均达到最高的PSNR值和SSIM值,在视觉效果上,DDRSN得到了细节更为丰富的图像。

关键词：超分辨率卷积神经网络倒置残差通道注意力密集连接

来源：评论

学校读者我要写书评

暂无评论

监控场景下基于轻量级卷积神经网络的行人属性识别

引用

电子测量技术 2020年第14期43卷 118-122页

作者：黄仝宇胡斌杰华南理工大学广州510641

针对面向行人属性识别的传统卷积神经网络模型占用系统资源较多、运行效率较低等问题,通过采用若干个倒置残差模块来构建轻量级卷积神经网络MB-ResNet-Lite的主干网络,使用深度可分离卷积代替标准卷积,以减少模型的计算量;并通过倒置残... 详细信息

针对面向行人属性识别的传统卷积神经网络模型占用系统资源较多、运行效率较低等问题,通过采用若干个倒置残差模块来构建轻量级卷积神经网络MB-ResNet-Lite的主干网络,使用深度可分离卷积代替标准卷积,以减少模型的计算量;并通过倒置残差模块对特征的维度先扩增后缩减,实现更好地提取特征。为了解决多种行人属性识别的效率问题,所提方法是在共享主干网络之后,采用若干个分支网络进行各自特征的提取,以完成多种行人属性的分类与识别。最后,该算法在自建数据集、单核RK3399平台上进行比对实验。实验结果表明,所提算法MB-ResNet-Lite模型的大小为0.82 M,分别为ResNet-18和MobileNet的1.8%和6.3%,明显减小了模型的存储空间;在运行速度上,所提算法模型处理单张图片耗时为25 ms,分别为ResNet-18和MobileNet的18.4%和64.1%,较好地节省了图像处理时间;在内存使用方面,所提算法模型占用内存为21.56 MB,分别为ResNet-18和MobileNet的6.6%和60.0%,有效节省了系统的内存资源。在算法准确率方面,所提算法模型的平均准确率为89.24%,相比MobileNet提高了1.52%,相比ResNet-18略微下降0.86%。结果表明,所提方法有效地保证行人特征识别的精确度,减少模型的参数量和计算量,确保在低成本硬件平台的运行效率。

关键词：深度学习轻量级卷积神经网络深度可分离卷积倒置残差行人属性识别

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：