检索结果-内蒙古大学图书馆

计算机辅助设计与图形学学报 2020年第8期32卷 1293-1304页

作者：唐乾坤胡瑜中国科学院计算技术研究所智能计算机研究中心北京100190 中国科学院大学北京100049

针对现有单阶段目标检测算法锚点框特征表达不足影响检测精度的问题,提出了一种增强锚点框特征表达的算法,其包含注意力机制模块和部件感知模块.首先,注意力机制模块根据各个锚点框的不同属性自适应地提供不同的特征表达.然后,部件感知... 详细信息

针对现有单阶段目标检测算法锚点框特征表达不足影响检测精度的问题,提出了一种增强锚点框特征表达的算法,其包含注意力机制模块和部件感知模块.首先,注意力机制模块根据各个锚点框的不同属性自适应地提供不同的特征表达.然后,部件感知模块准确地提取各个锚点框内部的判别性部件特征以作为各个锚点框进行预测所需的特有特征.将所提设计与现有SSD算法结合并在多个公开的目标检测数据集上进行实验,结果表明,所提算法能够显著提高单阶段目标检测算法的精度并维持实时运行速度(14 ms);进一步地,在扩展实验上的结果表明,所提算法也能够改善生成的区域建议框的召回率及两阶段目标检测算法的精度.

关键词：卷积神经网络单阶段目标检测区域建议框注意力模块部件感知模块

来源：评论

学校读者我要写书评

暂无评论

基于正负锚点框均衡及特征对齐的单阶段目标检测算法

引用

计算机辅助设计与图形学学报 2020年第11期32卷 1773-1783页

作者：唐乾坤胡瑜中国科学院计算技术研究所智能计算机研究中心北京100190 中国科学院大学北京100049

针对正负例锚点框不均衡将降低基于锚点框的单阶段目标检测算法的检测精度的问题,提出一种包含锚点框提升模块和特征对齐模块来均衡正负例锚点框的算法.首先在锚点框提升模块中预测各个锚点框为正例的可能性,并粗略调整初始锚点框的位... 详细信息

针对正负例锚点框不均衡将降低基于锚点框的单阶段目标检测算法的检测精度的问题,提出一种包含锚点框提升模块和特征对齐模块来均衡正负例锚点框的算法.首先在锚点框提升模块中预测各个锚点框为正例的可能性,并粗略调整初始锚点框的位置和尺寸;然后在特征对齐模块中为调整后的锚点框提取预测所需的对齐特征;最后检测网络借助锚点框提升模块输出信息,从调整后的锚点框中识别出简单负例锚点框,并在训练阶段忽略其梯度.将文中算法应用于以VGG-16和ResNet-101为特征提取网络的编解码架构中,在目标检测数据集MS COCO和PASCAL VOC上进行实验,结果表明,该算法能够显著改善不均衡问题,提高单阶段目标检测算法的检测精度(MS COCO和PASCAL VOC上的精度分别为42.8%和82.7%),并维持28.6帧/s的实时运行速度.

关键词：卷积神经网络单阶段目标检测锚点框正负例不均衡锚点框提升模块特征对齐模块

来源：评论

学校读者我要写书评

暂无评论

单阶段目标检测模型的定位不确定性量化研究

单阶段目标检测模型的定位不确定性量化研究

引用

作者：梁娅琳哈尔滨工业大学

学位级别：硕士

目标检测作为计算机视觉的一项经典任务,在生活中的各个领域受到人们的广泛关注。深度学习目标检测模型作为一种流行的目标检测算法,集边界框定位回归与目标类别识别两项任务于一体,负责定位目标的位置信息并输出其类别置信度得分。然... 详细信息

目标检测作为计算机视觉的一项经典任务,在生活中的各个领域受到人们的广泛关注。深度学习目标检测模型作为一种流行的目标检测算法,集边界框定位回归与目标类别识别两项任务于一体,负责定位目标的位置信息并输出其类别置信度得分。然而这类算法并未考虑到模型对预测结果存在一定的不确定性,若在一些自动化驾驶、军事目标检测等关键领域,完全依赖网络模型的输出结果可能会造成严重的后果。于是本文从不确定的来源出发,提出三种不确定性模型,对经典的单目标检测模型YOLOv5进行改进,实现对预测框定位结果的不确定性量化。具体工作内容为: 针对传统深度学习目标检测模型缺乏定位坐标的置信度问题,本文构建了基于认知不确定性的Monte-Carlo dropout YOLOv5模型、基于偶然不确定性的Gaussian YOLOv5模型和基于混合不确定性的YOLOv5模型。对于第一个模型,本文从贝叶斯角度出发,推导出深度神经网络模型认知不确定性的一般表达式。第二个模型将预测的边界框坐标建模成多元高斯分布形式,通过更改网络结构和设计新的损失函数使网络学习方差作为偶然不确定性。第三个模型将认知不确定性与偶然不确定性统一到YOLOv5目标检测模型中,给出不确定性得分的一般表达式,为模型提供预测结果的可信程度。其次本文构建了两个目标检测数据集,分别为人脸口罩数据集Mask wearing和船舶数据集Ship.在这两个数据集和COCO公开数据集上分别对三个模型进行实验,进而捕获YOLOv5模型对测试图像的不确定性得分。实验表明,模型在加入不确定性后不仅改善了原始模型出现误检、漏检的情况,还在一定程度上提高了模型的定位精度,减小了与真实框的Io U值。为进一步研究定位坐标的不确定性,本文对不确定性量化结果进行了可视化。由MC dropout方法捕获的认知不确定性,本文绘制了模型向前传播T次后预测边界框的叠加效果图。针对Gaussian YOLOv5模型,本文绘制了边界框中心坐标的概率分布图以及边界框宽高的95%置信区间,直观地展示偶然不确定性信息。最后本文提供的三种模型的算法框架可应用到任意一个单阶段目标检测网络模型中,实现对模型定位不确定性的预测。

关键词：贝叶斯推断单阶段目标检测不确定性量化深度学习

来源：评论

学校读者我要写书评

暂无评论

采用卷积核金字塔和空洞卷积的单阶段目标检测

引用

中国图象图形学报 2020年第1期25卷 102-112页

作者：刘涛汪西莉陕西师范大学计算机科学学院西安710119

目的在基于深度学习的目标检测模型中,浅层特征图包含更多细节但缺乏语义信息,深层特征图则相反,为了利用不同深度特征图的优势,并在此基础上解决检测目标的多尺度问题,本文提出基于卷积核金字塔和空洞卷积的单阶段目标检测模型。方法... 详细信息

目的在基于深度学习的目标检测模型中,浅层特征图包含更多细节但缺乏语义信息,深层特征图则相反,为了利用不同深度特征图的优势,并在此基础上解决检测目标的多尺度问题,本文提出基于卷积核金字塔和空洞卷积的单阶段目标检测模型。方法所提模型采用多种方式融合特征信息,先使用逐像素相加方式融合多层不同大小的特征图信息,然后在通道维度拼接不同阶段的特征图,形成具有丰富语义信息和细节信息的信息融合特征层作为模型的预测层。模型在锚框机制中引入卷积核金字塔结构,以解决检测目标的多尺度问题,采用空洞卷积减少大尺寸卷积核增加的参数量,合理地降低锚框数量。结果实验结果表明,在PASCAL VOC2007测试数据集上,所提检测框架在300×300像素的输入上检测精度达到79.3%mAP(mean average precision),比SSD(single shot multibox detector)高1.8%,比DSSD(deconvolutional single shot detector)高0.9%。在UCAS-AOD遥感数据测试集上,所提模型的检测精度分别比SSD和DSSD高2.8%和1.9%。在检测速度上,所提模型在Titan X GPU上达到21帧/s,速度超过DSSD。结论本文模型提出在两个阶段融合特征信息并改进锚框机制,不仅具有较快的检测速度和较高的精度,而且较好地解决了小目标以及重叠目标难以被检出的问题。

关键词：单阶段目标检测特征融合卷积核金字塔锚框空洞卷积

来源：评论

学校读者我要写书评

暂无评论

融合策略优选和双注意力的单阶段目标检测

引用

中国图象图形学报 2022年第8期27卷 2430-2443页

作者：戴坤许立波黄世旸李鋆铃浙大宁波理工学院计算机与数据工程学院宁波315000

目的特征融合是改善模糊图像、小目标以及受遮挡物体等目标检测困难的有效手段之一,为了更有效地利用特征融合来整合不同网络层次的特征信息,显著表达其中的重要特征,本文提出一种基于融合策略优选和双注意力机制的单阶段目标检测算法F... 详细信息

目的特征融合是改善模糊图像、小目标以及受遮挡物体等目标检测困难的有效手段之一,为了更有效地利用特征融合来整合不同网络层次的特征信息,显著表达其中的重要特征,本文提出一种基于融合策略优选和双注意力机制的单阶段目标检测算法FDA-SSD(fusion double attention single shot multibox detector)。方法设计融合策略优化选择方法,结合特征金字塔(feature pyramid network, FPN)来确定最优的多层特征图组合及融合过程,之后连接双注意力模块,通过对各个通道和空间特征的权重再分配,提升模型对通道特征和空间信息的敏感性,最终产生包含丰富语义信息和凸显重要特征的特征图组。结果本文在公开数据集PASCAL VOC2007(pattern analysis, statistical modelling and computational learning visual object classes)和TGRS-HRRSD-Dataset(high resolution remote sensing detection)上进行对比实验,结果表明,在输入为300×300像素的PASCAL VOC2007测试集上,FDA-SSD模型的精度达到79.8%,比SSD(single shot multibox detector)、RSSD(rainbow SSD)、DSSD(de-convolution SSD)、FSSD(feature fusion SSD)模型分别高了2.6%、1.3%、1.2%、1.0%,在Titan X上的检测速度为47帧/s(frame per second, FPS),与SSD算法相当,分别高于RSSD和DSSD模型12 FPS和37.5 FPS。在输入像素为300×300的TGRS-HRRSD-Dataset测试集上的精度为84.2%,在Tesla V100上的检测速度高于SSD模型10%的情况下,准确率提高了1.5%。结论通过在单阶段目标检测模型中引入融合策略选择和双注意力机制,使得预测的速度和准确率同时得到提升,并且对于小目标、受遮挡以及模糊图像等难目标的检测能力也得到较大提升。

关键词：单阶段目标检测 SSD算法特征金字塔(FPN) 特征融合注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的单阶段目标检测算法研究

基于卷积神经网络的单阶段目标检测算法研究

引用

作者：张允亮吉林大学

学位级别：硕士

在计算机视觉领域中,基于深度学习的目标检测算法是其中的核心课题之一。目标检测是将图片中的物体识别并定位,它是许多分类任务的基础。早期的目标检测模型一般是分两个阶段对目标进行识别,这需要耗费大量的计算资源。之后提出的单阶... 详细信息

在计算机视觉领域中,基于深度学习的目标检测算法是其中的核心课题之一。目标检测是将图片中的物体识别并定位,它是许多分类任务的基础。早期的目标检测模型一般是分两个阶段对目标进行识别,这需要耗费大量的计算资源。之后提出的单阶段目标检测模型虽然运行速度相对较快,但往往在识别精度上有很大的损失,难以应用。近年随着目标检测模型的发展与迭代,单阶段的目标检测模型识别精度已经有很大改善,而由于其运行速度较快的特性,在多个领域中都有应用。因此对单阶段目标检测模型进行研究很有必要。本文针对单目标检测模型分类预测值和预测边界框质量不同步、模型训练欠拟合、非极大抑制算法(NMS)中分类预测值与预测边界框质量不匹配等多个问题进行了研究与改进,主要研究内容如下:(1)提高分类任务与回归任务的联系。在一般情况下,模型的边界框回归与分类预测是独立进行的,分类置信度的高低与预测边界框的好坏没有必然联系。为了提高分类置信度与预测边界框之间的联系,在训练阶段的边界框回归损失函数中添加了一个权重系数。这个权重系数根据分类置信度的高低,赋予每一个预测边界框不同的权重,当分类置信度越高时权重越高。类似的在分类损失函数中附加Io U权重,提高质量较高的预测边界框所对应的分类置信度的训练效果。模型使用权重系数后增加了分类置信度与预测边界框质量的联系,在PAA,FCOS,ATSS等多个模型上使用该权重系数重新训练并在MS COCO数据集上验证,这些模型的m AP均有0.4%左右的提升,证明了该方法的有效性。(2)优化了Weighted-NMS方法。一般的NMS算法直接删除预测边界框重叠度高的部分,而Weighted-NMS方法则是对这些重叠的预测边界框进行加权平均。首先在模型上使用了Weighted-NMS方法,但发现效果不佳甚至有负面作用。经过研究后改善了Weighted-NMS方法。在Weighted-NMS进行加权平均的时候,并非直接使用全部的重叠预测边界框,而是根据它们的重叠程度挑选其中重叠度最大的前几个预测边界框,只对它们进行加权平均计算。经过验证,在不同模型上m AP均有0.3%左右的提升。(3)训练时优化了随机梯度下降法(SGD)学习率的下降方式。SGD在学习率下降时直接下降n倍,这会导致模型训练不够充分而且在相同情况下更加容易过拟合。改进的SGD学习率方法并非直接下降10倍,而是阶梯式的分阶段下降。这种改进使模型在迭代相同次数时检测精度更高。改动后的SGD在多个模型上进行了实验,在这些模型上的m AP均有0.3%左右的提高。经过多次实验验证,本文的改进方法很容易的在不同模型上实现,并且实现的方法也很简单,仅仅少量改动就能提升模型的检测精度。

关键词：单阶段目标检测非极大抑制算法优化器学习率回归任务与分类任务关系

来源：评论

学校读者我要写书评

暂无评论

基于单阶段半监督目标检测的建筑工人检测算法

引用

微电子学与计算机 2025年第2期42卷 20-30页

作者：方莉赵志峰严铮戴振国陈国栋福州大学物理与信息工程学院福建福州350108

建筑工人目标检测对于提升建筑施工安全具有重要的应用价值。随着智慧工地的推广,施工区域的视频监控覆盖率不断增加,获取大量未标注的建筑工人图像变得更为便捷,而有标注数据图像依然稀缺而昂贵。半监督学习方法是解决有标注数据缺乏... 详细信息

建筑工人目标检测对于提升建筑施工安全具有重要的应用价值。随着智慧工地的推广,施工区域的视频监控覆盖率不断增加,获取大量未标注的建筑工人图像变得更为便捷,而有标注数据图像依然稀缺而昂贵。半监督学习方法是解决有标注数据缺乏问题的有效办法。然而,施工环境中存在着环境混乱、目标遮挡以及监控画面可视度低等问题,导致半监督目标检测模型在伪标签生成阶段难以平衡数量与质量。已有的半监督目标检测算法大多基于两阶段目标检测模型设计,未能满足对建筑工人检测实时性的要求。为了解决上述问题,提出了一种针对施工场景设计的单阶段半监督建筑工人目标检测算法。首先,将半监督目标检测应用于建筑工人目标检测任务,有效解决了标注数据缺乏的问题。其次,提出软阈值优化方法,为低置信样本分配权重,从而扩充伪标签的数量。接着,引入图像信息熵概念来评估样本检测难度,并提出自适应阈值选择算法以根据样本难度调整伪标签的阈值,进而提高训练初期的伪标签质量。最后,通过增加残差特征金字塔网络和上下文增强模块提升对小目标的检测能力。实验证明,在自建的施工区域建筑工人检测数据集上,所提出的算法在解决单阶段半监督建筑工人目标检测问题方面表现出显著优势。

关键词：建筑工人目标检测半监督目标检测数量质量权衡单阶段目标检测

来源：评论

学校读者我要写书评

暂无评论

特征增强的单阶段遥感图像目标检测模型

引用

西安电子科技大学学报 2022年第3期49卷 160-170页

作者：汪西莉梁敏刘涛陕西师范大学计算机科学学院陕西西安710119

随着卷积神经网络的发展,遥感图像目标检测性能提升明显,但场景的复杂性和目标大小、形态的多样性依然对目标检测带来挑战。针对复杂情况下不同大小目标的检测问题进行研究。特征金字塔结构是解决不同大小目标检测的有效方法,但其逐层... 详细信息

随着卷积神经网络的发展,遥感图像目标检测性能提升明显,但场景的复杂性和目标大小、形态的多样性依然对目标检测带来挑战。针对复杂情况下不同大小目标的检测问题进行研究。特征金字塔结构是解决不同大小目标检测的有效方法,但其逐层传递特征的方式可能产生特征丢失问题,故提出跳跃连接特征金字塔模块来增强特征金字塔结构中各层特征的语义和细节信息。同时,使用位置注意力强化目标区域特征是提升目标检出率的有效方法,并有助于复杂场景下目标的检测,但现有的位置注意力往往同时强化了不精确的预测结果,对最终预测结果产生干扰。为此提出基于锚框的位置注意力模块,强化更可能产生精确预测结果的特征区域。将跳跃连接特征金字塔模块和基于锚框的位置注意力模块嵌入到RetinaNet模型中,形成端到端的特征增强的单阶段遥感图像目标检测模型FENet(Feature Enhanced Network)。针对复杂的遥感影像目标检测进行实验,在UCAS-AOD数据集上FENet模型mAP比FAN(Face Attention Network)高1.78%,在RSOD数据集上比FAN模型提升了1.48%,且超越了其他先进模型。此外,FENet在单块Titan X GPU上对800×800图像的测试时间是0.058 s。实验结果表明,与同类模型相比,所提模型增强了目标的特征提取能力,进而提升了检测性能。

关键词：遥感图像特征金字塔位置注意力锚框单阶段目标检测

来源：评论

学校读者我要写书评

暂无评论

深度学习中的单阶段小目标检测方法综述

引用

计算机科学与探索 2022年第1期16卷 41-58页

作者：李科岑王晓强林浩李雷孝杨艳艳孟闯高静内蒙古工业大学信息工程学院呼和浩特010080 天津理工大学计算机科学与工程学院天津300384 内蒙古工业大学数据科学与应用学院呼和浩特010080 内蒙古农业大学计算机与信息工程学院呼和浩特010011

随着深度学习的不断发展,目标检测技术逐步从基于传统的手工检测方法向基于深度神经网络的检测方法转变。在众多基于深度学习的目标检测方法中,基于深度学习的单阶段目标检测方法因其网络结构较简单、运行速度较快以及具有更高的检测效... 详细信息

随着深度学习的不断发展,目标检测技术逐步从基于传统的手工检测方法向基于深度神经网络的检测方法转变。在众多基于深度学习的目标检测方法中,基于深度学习的单阶段目标检测方法因其网络结构较简单、运行速度较快以及具有更高的检测效率而被广泛运用。但现有的基于深度学习的单阶段目标检测方法由于小目标物体包含的特征信息较少、分辨率较低、背景信息较复杂、细节信息不明显以及定位精度要求较高等原因,导致在检测过程中对小目标物体的检测效果不理想,使得模型检测精度降低。针对目前基于深度学习的单阶段目标检测方法存在的问题,研究了大量基于深度学习的单阶段小目标检测技术。首先从单阶段目标检测方法的AnchorBox、网络结构、交并比函数以及损失函数等几个方面,系统地总结了针对小目标检测的优化方法;其次列举了常用的小目标检测数据集及其应用领域,并给出在各小目标检测数据集上的检测结果图;最后探讨了基于深度学习的单阶段小目标检测方法的未来研究方向。

关键词：深度学习单阶段目标检测小目标检测

来源：评论

学校读者我要写书评

暂无评论

基于跨尺度特征提取的锻件表面裂纹检测算法

引用

计算机集成制造系统 2025年第2期31卷 499-511页

作者：张岳张上王恒涛张朝阳许欢熊偌炎三峡大学水电工程智能视觉监测湖北省重点实验室湖北宜昌443002 三峡大学湖北省建筑质量检测装备工程技术研究中心湖北宜昌443002 三峡大学计算机与信息学院湖北宜昌443002 三峡大学经济与管理学院湖北宜昌443002 三峡大学电气与新能源学院湖北宜昌443002

锻件表面裂纹危害性大,检测效率低,为解决传统人工磁粉检测锻件裂纹场景中存在的问题,提出一种锻件表面裂纹实时检测算法。首先采集重卡转向节生产流水线中探伤车间的磁粉检测图像,制作锻件表面裂纹数据集;然后提出轻量多尺度卷积模块LM... 详细信息

锻件表面裂纹危害性大,检测效率低,为解决传统人工磁粉检测锻件裂纹场景中存在的问题,提出一种锻件表面裂纹实时检测算法。首先采集重卡转向节生产流水线中探伤车间的磁粉检测图像,制作锻件表面裂纹数据集;然后提出轻量多尺度卷积模块LMSConv,实现单模块跨尺度特征提取,同时提出大型可分离内核注意力快速空间金字塔池化模块LSKA-SPPF,进一步加强整体跨尺度特征融合能力;最后,更改Bbox损失函数为Focal EIoU,以提高锚框回归精度。锻件表面裂纹数据集与NEU-DET数据集上的实验结果表明算法检测精度高,复杂度低,对比其他主流单阶段目标检测算法,所提算法漏检率和误检率降低,具有较强的鲁棒性,能够满足锻件裂纹检测的需要。

关键词：表面缺陷检测跨尺度特征锻件裂纹单阶段目标检测

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：