检索结果-内蒙古大学图书馆

作者：凌杰江西师范大学

学位级别：硕士

遥感图像变化检测研究是针对拍摄的同一地区不同时期的图像进行分析,从而获取到该地区在这一时段内发生的地物变化,在土地覆盖、城市规划等应用方面上发挥着不可忽视的作用。伴随着地表观测技术的强化,所获取的遥感图像在分辨率及清晰... 详细信息

遥感图像变化检测研究是针对拍摄的同一地区不同时期的图像进行分析,从而获取到该地区在这一时段内发生的地物变化,在土地覆盖、城市规划等应用方面上发挥着不可忽视的作用。伴随着地表观测技术的强化,所获取的遥感图像在分辨率及清晰度上有着重大的突破,而传统的变化检测方法难以在遥感图像上达到良好的检测效果。然而,深度学习技术的兴起使得变化检测研究拥有全新的探索方向,并且也获得了良好的结果。由于目前的变化检测数据集中所拥有的地物特征愈加复杂,如何在有效进行特征提取的同时避免遥感图像中伪变化信息的干扰,已成为如今遥感图像变化检测任务中亟待解决的问题。随着遥感图像变化检测研究的浪潮愈发强烈,研究人员热衷于完成检测精度提升的目标,却未考虑到其研究在检测结果更优的同时引发了网络模型冗余以及计算成本暴增的困境。鉴于此,本文的探讨点有两个方面:针对目前变化检测数据集中遥感图像分辨率高且地物特征复杂的特点,改进变化检测方法使得检测精度加以提升;为了较好达到遥感图像变化检测的实时性需求,进而权衡好高精度检测模型的开发和轻量级网络架构的设计二者之间的矛盾。本文的研究内容如下:针对目前的遥感图像变化检测方法在同步实现多尺度特征的有效获取以及变化区域边缘的准确检测上具有一定的挑战性,本文提出了融合集成残差注意力的多尺度残差孪生网络模型（IRA-MRSNet）,该网络采用编码器-解码器结构,引入多尺度残差模块和注意力门模块来分别达到多尺度特征的有效提取以及变化区域特征的聚焦。同时,本文提出了由Res2net+模块、拆分与合并（Split and Concat,SPC）模块和通道注意模块组成的集成残差注意力单元,通过更细粒度的多尺度特征提取操作,提升了对变化区域边缘部分的检测性能。实验结果表明,IRA-MRSNet相较于其他最先进的变化检测方法,在遥感图像中两个公开的变化检测数据集CDD和SYSU-CD上都取得最优的性能,并且网络模型的参数量和计算量都明显减少。鉴于遥感图像变化检测的实时性需求,本文提出了基于深度可分离卷积（Depth-wise Separable Convolution,DSC）模块的遥感图像变化检测轻量级网络模型。该网络以UNet架构作为骨干网络,引入DSC模块进行特征提取,且该模块大幅度降低了网络模型冗余度和内存消耗,使用高效通道注意力（Efficient Channel Attention,ECA）模块抑制无关特征信息。同时,本文提出了一种轻量级的ASPP+（Atrous Spatial Pyramid Pooling）模块,在不增添额外参数量的前提下,能够有效地提升网络的检测能力。结果表明,该网络模型的参数个数仅为1.08 MB,FLOPs也仅为7.14 G,并且其在CDD和SYSU-CD数据集上的结果依然保持较高的检测精度。

关键词：变化检测遥感图像集成残差注意力单元深度可分离卷积模块轻量级网络模型

来源：评论

学校读者我要写书评

暂无评论

基于解耦注意力与幻影卷积的轻量级人体姿态估计

引用

计算机应用 2025年第1期45卷 223-233页

作者：陈俊颖郭士杰陈玲玲复旦大学工程与应用技术研究院上海200433 河北工业大学机械工程学院天津300130 智能康复装置与检测技术教育部工程研究中心(河北工业大学) 天津300401 河北工业大学人工智能与数据科学学院天津300130

随着轻量级网络的发展,人体姿态估计任务得以在计算资源有限的设备上执行,然而,提升精度变得更具有挑战性。这些挑战主要源于网络复杂度与计算资源的矛盾,导致模型在简化时牺牲了表示能力。针对上述问题,提出一种基于解耦注意力和幻影... 详细信息

随着轻量级网络的发展,人体姿态估计任务得以在计算资源有限的设备上执行,然而,提升精度变得更具有挑战性。这些挑战主要源于网络复杂度与计算资源的矛盾,导致模型在简化时牺牲了表示能力。针对上述问题,提出一种基于解耦注意力和幻影卷积的轻量级人体姿态估计网络(DGLNet)。具体来说,DGLNet以小型高分辨率网络(Small HRNet)模型为基础架构,通过引入解耦注意力机制构建DFDbottleneck模块;采用shuffleblock的结构对基础模块进行重新设计,即用轻量级幻影卷积替代计算量大的点卷积,并利用解耦注意力机制增强模块性能,从而构建DGBblock模块;此外,用幻影卷积和解耦注意力重新构建的深度可分离卷积模块来替代原过渡层模块,从而构建GSCtransition模块,进一步减少计算量并增强特征交互性和提高性能。在COCO验证集上的实验结果显示,DGLNet优于轻量级高分辨率网络(Lite-HRNet),在计算量和参数量不增加的情况下,最高精度达到了71.9%;与常见的轻量级姿态估计网络MobileNetV2和ShuffleNetV2相比,DGLNet在仅使用21.2%和25.0%的计算量情况下分别实现了4.6和8.3个百分点的精度提升;在AP^(50)的评价标准上,DGLNet超过了大型高分辨率网络(HRNet)的同时计算量和参数量远小于HRNet。

关键词：人体姿态估计轻量级网络注意力机制幻影卷积深度可分离卷积模块

来源：评论

学校读者我要写书评

暂无评论

基于参数轻量化的井下人体实时检测算法

引用

工矿自动化 2021年第6期47卷 71-78页

作者：董昕宇师杰张国英中国矿业大学(北京)机电与信息工程学院北京100083

针对现有井下人员目标检测方法因网络较深、计算量庞大而不能达到实时检测效果的问题,提出了一种基于参数轻量化的井下人体实时检测算法。采用深度可分离卷积模块和倒置残差模块构建轻量级特征提取网络:通过深度可分离卷积压缩参数量和... 详细信息

针对现有井下人员目标检测方法因网络较深、计算量庞大而不能达到实时检测效果的问题,提出了一种基于参数轻量化的井下人体实时检测算法。采用深度可分离卷积模块和倒置残差模块构建轻量级特征提取网络:通过深度可分离卷积压缩参数量和运算量,提升特征提取网络的运算速度;倒置残差模块通过更高维度的张量来提取足够多的信息,保证特征提取网络的精确度。结合轻量级特征提取网络和SSD多尺度检测方法建立井下人体实时检测模型,该模型在轻量级倒置残差特征提取网络的基本结构上增添传统卷积层至27层进行卷积操作,其中6层特征图被抽取进行多尺度预测,测试结果表明,该模型的大小为18 MB,帧率约为35帧/s,性能优于常用的VGG16+Faster R-CNN模型和VGG16+多尺度检测模型。为适应井下特定环境的目标检测需求,设计了基于Faster R-CNN的人体数据半自动标注方法,可显著减少人工工作量,提高井下人体检测精度。利用矿工服装颜色信息对检测结果框进行二次筛选,剔除将背景检测为人体的误检框。测试结果表明,该算法实现了采煤工作面人员实时定位检测及框选,精度达92.86%,召回率为98.11%,有效解决了井下人员漏检及误检问题。

关键词：采煤工作面井下人体实时检测深度可分离卷积模块倒置残差模块参数轻量化多尺度检测半自动标注

来源：评论

学校读者我要写书评

暂无评论

轻量级网络算法对输电线路上异物目标的识别

引用

电子科技 2023年第4期36卷 71-77页

作者：唐政张会林马立新刘金芝王昊上海理工大学机械工程学院上海200093

针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗... 详细信息

针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。

关键词：输电线路深度学习 YOLOv4 图像识别 GhostNet 深度可分离卷积模块轻量级网络

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：