检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

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

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

-

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

2 篇 学位论文

馆藏范围

2 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

2 篇 工学
- 2 篇 机械工程
- 2 篇 控制科学与工程
- 1 篇 计算机科学与技术...
- 1 篇 软件工程
1 篇 医学
- 1 篇 临床医学
1 篇 管理学
- 1 篇 管理科学与工程(可...

主题

2 篇 卷积自注意力模块
1 篇 卷积长短时记忆神...
1 篇 船舶目标检测
1 篇 自闭症儿童
1 篇 多层次特征融合
1 篇 深度学习
1 篇 全局上下文网络
1 篇 多尺度融合
1 篇 视觉显著性预测

机构

1 篇 桂林电子科技大学
1 篇 北方工业大学

作者

1 篇 魏畅
1 篇 李嘉欣

语言

2 篇 中文

检索条件"主题词=卷积自注意力模块"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

面向复杂背景和低可视环境的船舶目标检测算法研究

面向复杂背景和低可视环境的船舶目标检测算法研究

引用

作者：魏畅桂林电子科技大学

学位级别：硕士

近年来,我国内河航运业务得到快速发展,船舶运输在降低社会物流成本的同时,航道的安全问题也越来越突出。因此,准确的内河船舶目标检测就成为航道安全监测的重要环节。但内河航道中山川、河流及桥梁等复杂背景易与船舶在图像上融为一体... 详细信息

近年来,我国内河航运业务得到快速发展,船舶运输在降低社会物流成本的同时,航道的安全问题也越来越突出。因此,准确的内河船舶目标检测就成为航道安全监测的重要环节。但内河航道中山川、河流及桥梁等复杂背景易与船舶在图像上融为一体导致局部特征难以提取,雨雾、晚间等低可视环境导致全局特征检测精度低等问题,使得现有的基于视觉的目标检测方法无法满足内河航道船舶目标检测的精度要求。本文依托广西重点研发计划项目《基于智能网络与三维环境感知技术的船舶辅助驾驶系统研发与应用》,针对船舶视觉感知中复杂背景和低可视环境下的船舶目标检测开展研究,论文主要研究内容如下:(1)针对背景复杂图像中船舶局部特征难以提取的问题,本文提出了一种融合卷积自注意力与多尺度特征的船舶目标检测算法。首先在YOLOv5检测器的特征提取网络层中加入卷积自注意力模块(A mixed model that enjoys the benefit of both self-Attention and Convolution,ACmix),通过残差结构构建卷积自注意力-空间金字塔快速池化模块(Self-Attention and Convolution-Spatial Pyramid Pooling Fast,AC-SPPF),以此来弱化复杂背景干扰,并强化特征提取和信息融合能力。其次在颈部网络层中加入加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BIFPN)进行多尺度特征融合,改善模型的局部特征表达能力。最后在检测头层增加大尺度检测头提升目标检测能力。为验证上述算法,本文在Seaships数据集上开展验证实验,对比文献46方法、Faster R-CNN、YOLOv5的m AP分别提高11.9%、5.9%、3.8%,精确率和召回率对比YOLOv5分别提升3.9%、6.8%。(2)针对低可视环境下图像检测算法难以有效提取全局特征的问题,本文提出了一种基于全局上下文网络的船舶目标检测算法。通过融合全局上下文(Global Context Network,GCNet)机制,并将其嵌入YOLOv5的深、浅层特征提取网络中,以提升低可视环境下船舶的检测精度。通过生成全局注意力特征图模型,从全局视角重点关注目标特征信息,进而改善低可视环境下船舶目标漏检、误检的问题。最后,在自制的低可视环境数据集上进行了实验验证与分析。实验结果表明,本文方法较Faster R-CNN、SSD、YOLOv5的m AP分别提高9.8%、13.5%、5.5%,精确率和召回率对比YOLOv5分别提升8.4%、6%。上述改进的方法除在公开数据集和自制数据集上验证外,本文还采集了实际的复杂视觉背景和低可见度环境下的视频素材作为测试集,验证了本文方法提升船舶目标检测精度的有效性。

关键词：船舶目标检测深度学习卷积自注意力模块多尺度融合全局上下文网络

来源：评论

学校读者我要写书评

暂无评论

基于神经网络的自闭症儿童视觉显著性预测

基于神经网络的自闭症儿童视觉显著性预测

引用

作者：李嘉欣北方工业大学

学位级别：硕士

随着互联网技术的飞速发展,视觉显著性预测逐渐成为计算机视觉领域的一项重要任务。它利用人类的视觉感知特性,对信息进行快速地提取与理解,有助于高级计算机视觉任务的完成。目前,针对不同的计算机视觉任务存在着较多的视觉显著性预测... 详细信息

随着互联网技术的飞速发展,视觉显著性预测逐渐成为计算机视觉领域的一项重要任务。它利用人类的视觉感知特性,对信息进行快速地提取与理解,有助于高级计算机视觉任务的完成。目前,针对不同的计算机视觉任务存在着较多的视觉显著性预测模型。但在医学领域方面,关于自闭症儿童的视觉显著性预测模型较少。因此,为了应对医学领域中对于自闭症儿童视觉注意的研究需求,为自闭症儿童的治疗开辟新途径。本文研究了一种基于双流Conv-LSTM的多层次特征融合模型,来对自闭症儿童进行视觉显著性预测。本文的主要工作如下:1)设计双流Conv-LSTM模块,通过模拟人类视觉转移过程来进行特征提取。将图片视为伪序列,在粗尺度与精细尺度上分别进行自下而上与自上而下的特征提取,利用时间依赖性,模拟人在观看图像时动态的视觉注意过程,迭代地关注相关空间位置。2)加入具有瓶颈变换的卷积自注意力模块,通过描绘远距离像素之间的相关性,建立了全局依赖性,促进模型获得更好的视觉注意线索,从而有效对上下文信息进行建模。该模块中的瓶颈变换在实现通道间信息交互的基础上,显著减少了计算量,提高了网络的运行速度。3)设计多层次特征融合模块,通过一系列密集的上下文连接操作,不仅实现了精细分支中不同层次之间信息的相互补充,也达到了全局信息与局部信息的有效融合。该模块使得我们的模型包含丰富的上下文信息,有助于视觉显著性的预测。基于双流Conv-LSTM的多层次特征融合模型在包含自闭症儿童视觉注意数据的Saliency4ASD数据集上进行了实验,实验结果表明,我们的模型能够较好地预测视觉显著性区域,错误识别的区域较少;与其他先进的显著性预测模型相比,本文模型在CC和NSS指标上分别达到了0.735和1.812,均取得了最优性能。在AUC＿J指标上达到了0.816,仅次于SAM-VGG和SAM-Res Net。同时,与三种针对自闭症儿童的视觉显著性预测模型ASD＿Fang、ASD＿Nebout、ASD＿Wei相比,我们的模型在CC、NSS指标上均优于以上模型,AUC＿J指标仅次于ASD＿Wei。综上所述,我们提出的模型在自闭症儿童的视觉显著性预测方面取得了较好的效果,具有一定的现实意义与应用价值。

关键词：视觉显著性预测自闭症儿童卷积长短时记忆神经网络卷积自注意力模块多层次特征融合

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

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：