检索结果-内蒙古大学图书馆

南方医科大学学报 2025年第3期45卷 650-660页

作者：洪永张鑫林铭俊吴秋岑陈超敏南方医科大学生物医学工程学院广东广州510515

目的设计一个深度学习模型,实现模型复杂度和模型性能的平衡,以便于集成到可穿戴心电监护设备上,实现本地的房颤自动诊断。方法从公开数据集LTAFDB、AFDB和NSRDB上分别收集了84例、25例房颤患者和18例无明显心律失常受试者的数据进行实... 详细信息

目的设计一个深度学习模型,实现模型复杂度和模型性能的平衡,以便于集成到可穿戴心电监护设备上,实现本地的房颤自动诊断。方法从公开数据集LTAFDB、AFDB和NSRDB上分别收集了84例、25例房颤患者和18例无明显心律失常受试者的数据进行实验和测试。提出了一个基于深度可分离卷积并融合通道空间信息的轻量级注意网络—DSC-AttNet,引入深度可分离卷积代替标准卷积,降低模型参数量和计算量,实现模型的高效和轻量化;并嵌入多层混合注意力机制以在不同尺度上计算通道信息和空间信息的注意权重,提高模型的特征表达能力。在LTAFDB上进行十折交叉验证,并在AFDB和NSRDB上进行外部独立测试。结果DSC-AttNet在测试集上的十折平均准确率达到97.33%,精确率达到97.30%,均优于其他4个对比模型以及3个经典模型。模型在外部测试集上的准确率分别达到92.78%和99.97%,优于3个经典模型。且DSC-AttNet的参数量为1.01M,计算量为27.19 G,小于3个经典模型。结论该房颤分类方法具有较小的复杂度,达到了更好的分类性能,并且泛化能力较好,具有良好的临床应用前景和推广能力。

关键词：心电图心房颤动卷积块注意模块 MobileNet 轻量级卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于GPA+CBAM的域自适应水下目标检测方法

引用

水下无人系统学报 2024年第5期32卷 846-854页

作者：刘麒东沈鑫刘海路丛璐付先平大连海事大学信息科学技术学院辽宁大连116026 鹏城实验室广东深圳518000

针对水下目标检测易出现域偏移而导致检测精度下降的现象,文中提出了基于图诱导原型对齐(GPA)的域自适应水下目标检测方法。该方法通过区域建议之间基于图的信息传播得到图像中的实例级特征,导出每个类别的原型表示用于类别级域对齐,从... 详细信息

针对水下目标检测易出现域偏移而导致检测精度下降的现象,文中提出了基于图诱导原型对齐(GPA)的域自适应水下目标检测方法。该方法通过区域建议之间基于图的信息传播得到图像中的实例级特征,导出每个类别的原型表示用于类别级域对齐,从而聚合水下目标的不同模态信息,以此实现源域和目标域的对齐,减少域偏移带来的影响;同时添加了卷积块注意模块(CBAM),使神经网络能够专注于不同水域分布下的实例级特征。实验结果证明该方法能够有效提高发生域偏移时的检测精度。

关键词：水下目标检测图诱导原型对齐域自适应卷积块注意模块

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv5s的水面漂浮小目标检测算法

引用

中国舰船研究 2024年

作者：岳旭生李军王耀弘朱鹏浩王哲兴许炫皓重庆交通大学机电与车辆工程学院重庆市计量质量检测研究院郑州恒达智控科技有限公司

[目的]针对无人船视角下的水面漂浮瓶识别易出现错检、漏检等问题，基于YOLOv5s算法，提出一种改进的YOLOv5s水面漂浮小目标检测算法。[方法]针对原始数据集Flow-Img进行了数据增强，对原始数据集进行扩充，从而避免模型出现过拟合的现... 详细信息

[目的]针对无人船视角下的水面漂浮瓶识别易出现错检、漏检等问题，基于YOLOv5s算法，提出一种改进的YOLOv5s水面漂浮小目标检测算法。[方法]针对原始数据集Flow-Img进行了数据增强，对原始数据集进行扩充，从而避免模型出现过拟合的现象；为了提高深度学习模型对极小目标的检测精度，在YOLOv5s的3个检测层的基础上，增加了1个极小目标检测层，同时去掉用于大目标的检测头，避免数据不均衡带来的先验框分配问题；接着，在骨干网络中增加CBAM注意力模块，以解决模型在水面漂浮瓶检测任务中目标特征信息捕捉能力不足的问题；最后引入NWD回归损失函数，将IoU损失函数和NWD损失函数进行加权组合，形成一个综合的回归损失函数，从而进一步提高对水面漂浮瓶识别的准确率和精度。[结果]实验结果表明，该算法在水面漂浮瓶检测上mAP@0.5值达到95.7%，对比原始的YOLOv5s算法，改进YOLOv5s算法的mAP@0.5提升了2.6%,mAP@0.95提升了4.5%，同时，模型参数量下降了61.9%。[结论]在实现轻量化的同时使得水面漂浮瓶检测结果更加准确，为水面小型漂浮物的检测提供了重要的技术参考。

关键词：水面漂浮小目标极小目标检测层卷积块注意模块 NWD损失函数

来源：评论

学校读者我要写书评

暂无评论

基于残差网络的FMCW雷达人体行为识别

引用

计算机科学 2023年第S02期50卷 162-167页

作者：罗金燕常俊吴彭许妍卢中奎云南大学信息学院昆明650500 云南省高校物联网技术及应用重点实验室昆明650500

现有的基于调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达的人体行为识别方法大多采用深度卷积神经网络完成,但随着网络加深,会出现网络训练难度增大或特征提取不充分的问题。针对此问题,提出一种基于残差网络的FMCW雷达... 详细信息

现有的基于调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达的人体行为识别方法大多采用深度卷积神经网络完成,但随着网络加深,会出现网络训练难度增大或特征提取不充分的问题。针对此问题,提出一种基于残差网络的FMCW雷达人体行为识别方法。通过对雷达回波数据分析处理得到每种行为的微多普勒时域谱图,将其作为识别模型的分类特征。将卷积块注意模块(Convolutional Block Attention Module,CBAM)引入残差网络的残差块中构建识别模型,CBAM关注谱图的颜色变化情况和谱图中每种颜色的位置信息,同时引入自适配归一化和改变网络输入部分的卷积结构提高模型的特征提取能力。实验验证,该模型的平均识别准确率可达98.17%,对于微多普勒特征相似的行为,识别准确率可达95%,证明了该模型具有较好的识别性能。

关键词： FMCW雷达微多普勒谱图行为识别残差网络卷积块注意模块

来源：评论

学校读者我要写书评

暂无评论

改进YOLOv7算法在火灾现场行人检测中的应用

引用

传感器与微系统 2023年第7期42卷 165-168页

作者：赵伟沈乐徐凯宏东北林业大学计算机与控制工程学院黑龙江哈尔滨150040

提出了一种改进的基于YOLOv7的火灾现场行人检测算法。首先,利用自动色阶算法对火灾现场图像进行预处理;然后,采用HorBlock与CSPNet构造HorBc模块,改进YOLOv7网络结构,加强特征提取能力;同时融合CBAM注意力机制,增加行人特征区域学习权... 详细信息

提出了一种改进的基于YOLOv7的火灾现场行人检测算法。首先,利用自动色阶算法对火灾现场图像进行预处理;然后,采用HorBlock与CSPNet构造HorBc模块,改进YOLOv7网络结构,加强特征提取能力;同时融合CBAM注意力机制,增加行人特征区域学习权重。实验结果表明:在收集的火灾现场行人数据集上平均精度为97.1%,召回率为95.6%,精确率达到了97.6%;相比原始YOLOv7算法,平均精度提升了1.5%,召回率提升了2.4%,精确率提升了1.8%,在实时性上达到了36.7 fps,满足实时性要求。

关键词：行人检测 YOLOv7 自动色阶 HorBc 卷积块注意模块

来源：评论

学校读者我要写书评

暂无评论

改进Yolov5的医废包装袋破损检测方法

引用

计算机工程与设计 2022年第12期43卷 3513-3520页

作者：王新良马耀博河南理工大学物理与电子信息学院河南焦作454003 哈密豫新能源产业研究院有限责任公司技术研发部新疆哈密839000

为解决医废包装袋破损检测任务中检测精度低、漏检率高的问题,提出一种改进Yolov5方法用于医废包装袋的破损检测。将更浅层的特征与深层的特征进行融合,建立第四个目标检测层,提高医废包装袋小破损目标的检测准确率;在自制数据集上采用K... 详细信息

为解决医废包装袋破损检测任务中检测精度低、漏检率高的问题,提出一种改进Yolov5方法用于医废包装袋的破损检测。将更浅层的特征与深层的特征进行融合,建立第四个目标检测层,提高医废包装袋小破损目标的检测准确率;在自制数据集上采用K-means聚类算法聚类出医废包装袋破损检测的先验框(anchorbox);引入融合空间注意力和通道注意力机制的卷积块注意模块(convolutional block attention module,CBAM),使网络聚焦于目标的有用特征而忽略无用特征。实验结果表明,改进的Yolov5网络相较于原网络,平均检测精度由88.6%提升到94.1%,相较于SSD、Yolov3以及Faster R-CNN等,改进的网络在医废包装袋破损检测任务中具有更高的检测精度以及更快的推理速度。

关键词： Yolov5网络破损检测特征融合 K-means聚类算法卷积块注意模块

来源：评论

学校读者我要写书评

暂无评论

基于改进ShuffleNet V2模型的苹果叶部病害识别及应用

引用

沈阳农业大学学报 2022年第1期53卷 110-118页

作者：张旭周云成刘忠颖李昕泽沈阳农业大学信息与电气工程学院沈阳110161

苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往... 详细信息

苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块(convolutional block attention module,CBAM),提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明:改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0.05%,但平均推理时间缩减87.94%,在识别速度和精度上获得了较好的平衡。基于该模型,开发了一款面向Android移动端的苹果叶部病害识别应用,测试结果表明,该应用能够满足果园内上述3种病害和健康叶片的实时识别需求,可为设计高效、轻量的病害诊断模型提供思路和参考。

关键词：病害识别 ShuffleNetV2 轻量化卷积块注意模块 Android

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的网络入侵检测方法研究

基于深度学习的网络入侵检测方法研究

引用

作者：李树行哈尔滨工程大学

学位级别：硕士

随着互联网技术的迅速发展,安全性已经成为网络系统的核心问题之一。网络攻击快速涌现且策略不断演化,传统入侵检测方法已难以为继,深度学习由于其强大的特征提取能力,已成为入侵检测系统设计的一种新兴有效手段。目前,基于深度学习的... 详细信息

随着互联网技术的迅速发展,安全性已经成为网络系统的核心问题之一。网络攻击快速涌现且策略不断演化,传统入侵检测方法已难以为继,深度学习由于其强大的特征提取能力,已成为入侵检测系统设计的一种新兴有效手段。目前,基于深度学习的网络入侵检测,尚面临两个突出问题。一是特征选择问题:由于真实网络数据量大、维度高、资源消耗大,存在冗余特征会导致分类精度降低。二是低占比样本的入侵检测精度问题:现有网络入侵检测方法通常对数据平衡的样本具有较好检测结果,而低占比分类检测效果不佳,建立新的入侵检测模型提升这些分类的检测准确率,有利于优化入侵检测系统的整体防护效果。因此,本文针对现有网络入侵检测方法面临的不足,重点研究特征选择以及类别不平衡数据问题。主要工作如下: 首先,提出一种基于TGWO-K的特征选择算法,采用改进的灰狼优化算法(TwoPhase Mutation Grey Wolf Optimize,TGWO)作为搜索策略,解决高维数据特征选择问题。利用改进的加权KNN分类算法(Parameter Tuning Modified Weighted K-Nearest Neighbor,PTM-WKNN)有效解决不平衡数据分类问题。该算法通过选择最优特征子集减少特征数量,降低计算复杂度的同时提高了模型精度。其次,提出一种基于CBCNN-GRU的深度学习网络入侵检测方法,该方法使用基于残差的卷积块注意模块(Convolutional Block Attention Module,CBAM)对特征赋予不同的权重,旨在提升低占比样本的检测精度。然后使用卷积神经网络(Convolutional Neural Networks,CNN)提取空间特征,门控循环单元(Gated Recurrent Unit,GRU)提取长距离依赖信息特征,最后通过1)8)(6函数进行攻击分类。该算法解决多重分类准确率不高和类别不平衡数据检测精度较低的问题,在Do S、Probe、Generic类别和Exploits分类上提高了模型的特征学习能力和分类精度。最后,在三个网络入侵检测数据集KDD Cup 99、UNSW-NB15和CIC IDS 2018上进行对比实验,将本文提出的TGWO-K特征选择方法和CBCNN-GRU网络入侵检测方法与其它的特征选择方法和网络入侵检测方法进行比较。实验结果表明,本文提出的特征选择方法可以有效的降低数据维度并消除数据中的冗余特征,能显著提高分类精度;同时提出的入侵检测方法能够有效提高网络入侵检测分类准确率和召回率等。

关键词：网络入侵检测特征选择灰狼优化算法卷积神经网络卷积块注意模块

来源：评论

学校读者我要写书评

暂无评论

基于多尺度混合维度网络的交通标志检测的算法与研究

基于多尺度混合维度网络的交通标志检测的算法与研究

引用

作者：刘智凤山东师范大学

学位级别：硕士

小目标的检测长期以来是计算机视觉中的一个难点和重点研究问题。伴随深度学习的发展,对于目标检测的研究已取得了显著的成果,但在基于机器视觉的小目标检测领域仍然存在小目标特征丢失导致检测精度不高的问题,弥补这一缺陷对于改善目... 详细信息

小目标的检测长期以来是计算机视觉中的一个难点和重点研究问题。伴随深度学习的发展,对于目标检测的研究已取得了显著的成果,但在基于机器视觉的小目标检测领域仍然存在小目标特征丢失导致检测精度不高的问题,弥补这一缺陷对于改善目标的检测性能至关重要,对小目标检测展开研究将有助于推动目标检测领域的发展。近年来,随着对小目标检测技术的需求以及无人驾驶的发展和辅助驾驶的推广应用,交通标志检测在协助司机安全行车方面起着日益关键的角色。交通标志中小目标对象较多,给道路交通标志检测技术的研发造成很大困难。因此,对现实自然条件下的道路交通标志识别算法进行研究具有重要的实用价值。设计高精度、高效率的交通标志检测算法仍是一项具有重大意义的开放性课题。在本文研究中,我们提出了一种多个尺度的混合维度网络来重新配置特征并融合目标检测层,使用不同尺度的特征图进行变换与组合。在多尺度特征变换组合方面,参考了目前主流算法YOLOv3中的特征金字塔网络的结构特点,对其尺度进行了相应的增减操作,该方法通过对特征进行重建,将目标检测层的尺度信息进行融合,使得该特征中同时包含较深层次的语义信息和较浅层次的位置信息,从而能够更好地进行特征的定位和分类,提高对小目标特征的识别能力。在混合多维度注意力机制方面,在水平连接中采用了自适应融合方式与自上而下的路径,通过融合多重注意力机制,分别从空间和通道两种角度发现特征之间的关联信息,强化特征传递与复用,强调关键特征,抑制非重要的特征,生成更有针对性的特征图,进一步实现对特征的有效应用,以改善模型。在目标预测回归方面,采用成熟的先验盒聚类算法K-means++技术,选择匹配度更高的先验盒。此外,数据增强丰富了样本的多样性,增强了模型的泛化能力。综合以上所提方法,我们在Py Torch深度学习框架的基础上构建了一个高精度的小目标检测模型,命名为MTCSK++神经网络模型。我们在CSUST中国交通标志检测基准（CCTSDB）与清华-腾讯100k（TT100k）数据集进行训练和测试。实验表明,在CCTSDB数据集上,MTCSK++的m AP高达94.29%,与YOLOv3模型相比,增加了4.03%。在TT100k数据集上,m AP增加到84.07%,对数平均失误率得到有效降低。在保证检测速度的前提下,改进后的方法拥有更显著的检测精度,鲁棒性也得到了相应的提高。

关键词： YOLOv3 卷积块注意模块特征金字塔网络 K-means++ 深度学习

来源：评论

学校读者我要写书评

暂无评论

可见光与红外双模态图像融合行人检测

引用

软件导刊 2022年第12期21卷 174-181页

作者：王钊解文彬文江陆军工程大学指挥控制工程学院江苏南京210007 陆军研究院工程设计研究所广东广州510515

由于传统融合检测方法未能较好地解决双模态融合中冗余信息带来的误检、漏检问题。为了更有效地利用双模态信息,提出一种光照感知和卷积块注意模块相结合的双模态特征融合行人检测网络(IWFC-Net)。首先根据可见光图像提取光照感知值,将... 详细信息

由于传统融合检测方法未能较好地解决双模态融合中冗余信息带来的误检、漏检问题。为了更有效地利用双模态信息,提出一种光照感知和卷积块注意模块相结合的双模态特征融合行人检测网络(IWFC-Net)。首先根据可见光图像提取光照感知值,将其作为融合权重指导双模态图像特征融合;然后加强融合特征进行卷积块注意力机制加强,强化特征表示;最后将加强后的融合特征送入YOLO目标检测层进行多尺度行人预测,得到多尺度行人检测结果。在KAIST、LLVIP多光谱数据集上的实验结果表明,所提方法既能有效融合双模图像互补信息提升目标检测精度,又能显著降低冗余信息造成的漏检和误检率,还能达到35 FPS左右的检测速度,以期为行人检测提供新的解决方法。

关键词：可见光与红外图像双模图像融合行人检测光照感知卷积块注意模块

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：