检索结果-内蒙古大学图书馆

激光与光电子学进展 2023年第2期60卷 263-273页

作者：张云川姜麟林莉昆明理工大学理学院云南昆明650500

目标检测是计算机视觉领域的重点研究方向,SSD模型虽然在检测精度与速度上均取得较好的效果,但其利用低语义信息的浅层特征训练小目标,容易出现小目标漏检和误检现象。对此,提出了一种基于单次双向特征金字塔网络的改进SSD目标检测模型(... 详细信息

目标检测是计算机视觉领域的重点研究方向,SSD模型虽然在检测精度与速度上均取得较好的效果,但其利用低语义信息的浅层特征训练小目标,容易出现小目标漏检和误检现象。对此,提出了一种基于单次双向特征金字塔网络的改进SSD目标检测模型(OBSSD)。首先基于分层融合的思想构建双向特征融合模块来解决浅层特征利用不足的问题;其次引入融合权重来更加有效地融合不同层级的特征,改善浅层特征语义信息低的问题;最后在分类和回归预测前加入基于残差模块的检测单元,解决因分类网络偏向平移不变性导致的目标定位不准确问题。在PASCAL VOC2007测试集上的实验结果表明:所提模型的平均精确度(mAP)为80.8%,较SSD模型提高6.5个百分点,且检测速度满足实时检测的需求。

关键词：机器视觉目标检测模型特征融合语义信息实时性

来源：评论

学校读者我要写书评

暂无评论

基于初级视觉皮层的同步振荡目标检测模型

引用

生物物理学报 2000年第4期16卷 725-734页

作者：余波刘献容张立明复旦大学电子工程系上海200433

提出一种基于初级视觉皮层的目标检测模型。该模型只采用方位选择性细胞和皮层内水平连接等V1基本单元 ,它以链码表示的目标轮廓作为知识 ,允许该知识以时间脉冲的形式控制V1区内神经细胞的动态活动 ,使与知识轮廓形状相符合的轮廓内的... 详细信息

提出一种基于初级视觉皮层的目标检测模型。该模型只采用方位选择性细胞和皮层内水平连接等V1基本单元 ,它以链码表示的目标轮廓作为知识 ,允许该知识以时间脉冲的形式控制V1区内神经细胞的动态活动 ,使与知识轮廓形状相符合的轮廓内的细胞进入同步振荡状态 ,实现对视野中特定目标轮廓的识别。计算机仿真结果表明 ,在较高级皮层的“知识”控制之下 ,初级视觉皮层结构上实现简单的目标检测是可行的。

关键词：初级视觉皮层同步振荡神经网络目标检测模型

来源：评论

学校读者我要写书评

暂无评论

基于YOLOv5s的交通场景目标检测模型研究

基于YOLOv5s的交通场景目标检测模型研究

引用

作者：段伊鹏郑州大学

学位级别：硕士

近年来，汽车保有量持续增长，交通事故频发，交通负担逐渐增大，交通场景目标检测成为热门研究方向，成为避免交通事故的发生和流量规划的重要手段。交通场景目标检测模型在实际应用过程中，不仅对检测精度有一定的要求，同时由于车载... 详细信息

近年来，汽车保有量持续增长，交通事故频发，交通负担逐渐增大，交通场景目标检测成为热门研究方向，成为避免交通事故的发生和流量规划的重要手段。交通场景目标检测模型在实际应用过程中，不仅对检测精度有一定的要求，同时由于车载嵌入式设备有限的计算资源，需要检测模型满足能够轻量化的需求。本文构建了基于YOLOv5s的交通场景目标检测方法，针对轻量化和提升检测精度两个方向对YOLOv5s模型进行改进，主要研究内容如下:　　针对嵌入式设备存储空间有限、计算能力不强，交通场景目标检测模型网络体积和参数量较大而导致不能在资源较少平台部署的问题:引入轻量化模块GhostConv改进YOLOV5s中主干网络和颈部网络中的卷积核大小为3×3的卷积模块，在保证检测精度的情况下，降低模型的参数量。　　针对YOLOv5s目标检测模型在交通场景下检测时存在漏检及检测精度不高的问题:首先在主干网络引入坐标注意力机制，帮助模型更好地关注通道相关性，获取更精准的位置信息，降低无用特征信息的干扰，从而改善密集场景下的漏检问题，提升检测精度;然后设计了一种轻量化解耦头G-DecoupledHead,解决了YOLOv5s模型因为头部的耦合结构导致的分类和回归任务存在一定的冲突的问题，在增加少量参数量的情况下，显著提升模型在交通场景下的检测精度。最后将YOLOv5s使用的CIoU(Complete-IntersectionoverUnion)定位损失函数替换为SIoU(SCYLLA-IntersectionoverUnion)损失函数，使得模型在CIoU损失函数的基础上增添了对预测框与真实框之间方向匹配问题的惩罚项，进而提升模型的收敛速度和检测精度。　　实验表明，在KITTI数据集上，本文轻量化改进模型YOLOv5-GhostConv相较基准模型，mAP值提升0.9％,参数量下降46.1％;提升精度的改进模型YOLOv5-GDCS在基准模型的基础上，mAP值提升了2.9％,同时满足车载环境实时性的要求。

关键词：交通场景目标检测模型 YOLOv5s GhostConv 注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于改进的目标检测模型的乳腺肿块检测及分类算法研究

基于改进的目标检测模型的乳腺肿块检测及分类算法研究

引用

作者：华轩浙江大学

学位级别：硕士

乳腺癌是女性常见的癌症之一，常常以恶性肿瘤的形式出现，具有死亡率高的特点。“早发现，早诊断，早治疗”是目前预防乳腺方面疾病的最有效的手段，乳腺钼靶X光检查是目前最重要的检查方法。医生需要对病人的检查影像进行阅读，对其... 详细信息

乳腺癌是女性常见的癌症之一，常常以恶性肿瘤的形式出现，具有死亡率高的特点。“早发现，早诊断，早治疗”是目前预防乳腺方面疾病的最有效的手段，乳腺钼靶X光检查是目前最重要的检查方法。医生需要对病人的检查影像进行阅读，对其中的可疑异常进行进一步的诊断，以规避早期病患恶化的风险。医生的阅片水平依赖于长时间的积累，且阅片效率不高，偶尔会发生漏诊误诊的情况。计算机辅助诊断系统(CAD)经过数十年的发展，已经可以帮助医生更好地对病人进行诊断，发现乳腺钼靶影像中的肿块区域，提升诊断效率。传统的方法依赖于对乳腺肿块的特征进行处理，通过手动设置特征算子来对乳腺钼靶图像进行判断。由于乳腺肿块的大小，密度和形状等存在很大的差距，手动特征提取难以覆盖这么多情况，因此，乳腺肿块的正确检出和分类还是一个巨大挑战。　　随着深度学习的发展，越来越多优秀的目标检测算法被提出，这些算法也被应用于医疗影像领域，包括乳腺钼靶肿块的检测和分类。深度学习的出现帮助机器自主地学习图像中的特征，避免了手动设置特征算子，帮助医生更好地进行诊断。　　本文将使用双阶段目标检测算法中的Faster R-CNN算法，并在其上进行了若干改进，来帮助算法更好地对输入的乳腺钼靶图像进行处理和分类。本文设计的模型算法在Faster R-CNN的基础上加入了特征金字塔的结构，使得算法可以更好地处理小尺寸的乳腺肿块目标;同时，本文将原始的Faster R-CNN的锚定框(Anchors)进行了重新设计，利用聚类算法对数据集中的目标框进行聚类，获得了启发式的基于特定数据集的初始锚定框。本文在卷积层的层面上加入了“压缩-刺激”模块，对卷积层的每一个不同的通道数据学习一个特定的权重，用于对卷积的通道进行增强操作。在网络的设计中，本文为了帮助回归框更好地回归和分类，在特征矩阵提取中引入了尺寸扩张的操作，并和原始的特征矩阵进行融合，以获得更多的背景信息。通过对Faster R-CNN的网络引入多个有效的模块，本文在DDSM数据集和InBreast数据集的混合数据集上进行试验，发现相较于Faster R-CNN，本文的网络结构可以更好地检测出乳腺肿块的病变情况。本文的网络相较于Faster R-CNN和单阶段的目标检测算法的代表YOLOv3，检测的结果更加精确，在每张图像平均的假阳性目标数目相同的情况下，本文的网络取得了最高的召回率。同时，本文设计了消融实验，来证明每一个模块的有效性。

关键词：乳腺钼靶图像肿块检测分类算法目标检测模型

来源：评论

学校读者我要写书评

暂无评论

基于行波全频带特征的配电网故障行波波头标定方法

引用

电力系统保护与控制 2025年第1期53卷 171-180页

作者：王有鹏曾祥君刘丰刘凤蒋戆喻锟谢李为李肖博电网防灾减灾全国重点实验室(长沙理工大学) 湖南长沙410114 南方电网公司数字研究院有限公司广东广州510700

针对配电网行波波头标定方法易受噪声、波头畸变影响的问题,提出一种基于行波全频带特征的配电网故障行波波头标定方法。首先,根据行波高频段分量包含奇异点特征、行波中低频段分量不受噪声干扰的特点,提出利用行波全频带分量特征来标... 详细信息

针对配电网行波波头标定方法易受噪声、波头畸变影响的问题,提出一种基于行波全频带特征的配电网故障行波波头标定方法。首先,根据行波高频段分量包含奇异点特征、行波中低频段分量不受噪声干扰的特点,提出利用行波全频带分量特征来标定行波,并分析了不同工况下利用行波全频带分量特征标定波头的优势。然后,设计并搭建基于目标检测模型的卷积神经网络(convolutional neural network,CNN),以行波全频带分量作为特征输入量,利用一维卷积核提取行波信号的波头特征。最后,结合特征金字塔网络与路径聚合网络结构,融合行波波头高中低频带特征,实现行波到达时刻的准确标定。与传统方法相比,所提方法在短线路、强噪声情况下具有较强的适应性,并且在微弱故障行波场景下也能够实现波头标定,具有良好的现场应用效果。

关键词：配电网波头标定行波全频带目标检测模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的生物资产检测模型YOLOSC

引用

科学技术与工程 2025年第2期25卷 674-682页

作者：关昆仑朱思文张仰森成琪昊张学凯北京信息科技大学智能信息处理研究所北京100192

为提高生物资产监盘审计过程中盘点准确性和盘点效率,提出了一种融入注意力机制和损失函数优化的生物资产检测模型YOLOSC。首先,将压缩-激励网络(squeeze-and-excitation networks,SENet)注意力机制引入YOLOv5s模型的主干网络中,以增强... 详细信息

为提高生物资产监盘审计过程中盘点准确性和盘点效率,提出了一种融入注意力机制和损失函数优化的生物资产检测模型YOLOSC。首先,将压缩-激励网络(squeeze-and-excitation networks,SENet)注意力机制引入YOLOv5s模型的主干网络中,以增强对生物资产图片中关键特征的提取能力;其次,采用完全交并比(complete intersection over union,CIoU)作为检测框回归的损失函数,以提升训练过程中检测框的回归速度与定位精度;最后,构建了一个生物资产数据集对所提模型进行针对性训练,以提升模型检测效果。实验结果表明,相较于YOLOv5模型,YOLOSC的精确率、召回率、F_(1)和AP分别提升了2.3%、2.1%、2.7%和1.6%,证明了所提出的生物资产检测模型YOLOSC的有效性。

关键词：目标检测模型 YOLOv5 注意力机制损失函数生物资产审计

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的东北虎目标检测与重识别模型

基于深度学习的东北虎目标检测与重识别模型

引用

作者：柳伯翰东北林业大学

学位级别：硕士

东北虎是一种濒临灭绝的物种,但它也是最有希望恢复种群的大型猫科动物之一。保护东北虎不仅有助于维持栖息地生物多样性,而且有利于保护人类和东北虎共同的家园,促进人类文明的可持续发展。对东北虎图像进行目标检测和个体识别有助于... 详细信息

东北虎是一种濒临灭绝的物种,但它也是最有希望恢复种群的大型猫科动物之一。保护东北虎不仅有助于维持栖息地生物多样性,而且有利于保护人类和东北虎共同的家园,促进人类文明的可持续发展。对东北虎图像进行目标检测和个体识别有助于研究人员及时准确地获取种群数量,从而进行东北虎个体动态追踪和种群地理分布的分析与评估,最终制定出合理的保护策略。随着无人机与非入侵式的相机陷阱技术的发展与广泛应用,传统的东北虎个体识别方法在处理大量视频和图像数据时面临着人力成本高、效率低等难题。因此,研究更加科学和高效的东北虎个体识别方法是非常必要的。本论文采用深度学习相关理论和方法,探究基于图像的东北虎个体检测和重识别算法,提出了轻量级无锚框东北虎检测网络(AF-TigerNet)模型和个体与局部特征指导的东北虎重识别网络(IPFG-Net)模型。首先,本文提出了一种轻量级无锚框东北虎检测网络(AF-TigerNet)模型,解决了在资源受限的设备上实时准确地检测自然场景下的东北虎问题。该网络基于GFL网络的设计,采用改进的CSPNet与CSP-PAN作为主干网络与融合网络提升了特征提取能力,大幅减少了计算量与模型参数数量;引入了随机Mosaic与Mixup的数据增强方式提升了模型的鲁棒性;采用改进的Sim OTA标签分配策略提高了模型训练稳定性;采用H-swish激活函数增强了模型非线性拟合能力。实验结果显示,AF-TigerNet模型在ATRW东北虎检测数据集上,仅用0.617 M参数数量与0.41 B浮点数计算量就使m AP(0.5:0.95)达到了55.5%,在ARM设备上实现了约74帧/s的速度,说明本文构建的AF-TigerNet模型是一种准确、快速与实用的东北虎检测网络模型。其次,本文提出了一种个体与局部特征指导的东北虎重识别网络(IPFG-Net)模型,解决了现有东北虎重识别方法识别准确率较低的问题。该网络在重识别基线网络ResNet50基础上添加了非局部模块,增加了全局特征拟合能力;采用强数据增强的方式提高了模型泛化能力;采用水平翻转生成伪标签的方式避免了左右侧个体之间的相互匹配的问题;提出了一种基于互信息最大化的局部特征指导模块以辅助融合局部信息,并提出了一种个体特征指导模块以实现相近个体特征的融合,提高了特征的鲁棒性。实验结果显示,IPFG-Net模型在ATRW东北虎重识别数据集上单相机识别的m AP达到了94.4%,跨相机识别的m AP达到了81.0%,说明本文构建的IPFG-Net模型是一种准确与有效的东北虎重识别网络模型。

关键词：深度学习目标检测模型个体重识别模型注意力机制东北虎

来源：评论

学校读者我要写书评

暂无评论

面向无人机目标检测的隐蔽后门攻击框架

网络空间安全科学学报

引用

网络空间安全科学学报 2025年第1期3卷 19-29页

作者：陈天欣姜文博温家懿弥佳桐黄橙复旦大学计算机科学技术学院上海200438 电子科技大学计算机科学与工程学院成都610050

随着低空经济和无人机(Unmanned Aerial Vehicle,UAV)技术的蓬勃发展,基于深度学习的目标检测模型在无人机领域得到了广泛应用。然而,该模型在实际部署中却面临潜在的安全威胁。区别于传统的图像分类,目标检测模型在识别目标的基础上,... 详细信息

随着低空经济和无人机(Unmanned Aerial Vehicle,UAV)技术的蓬勃发展,基于深度学习的目标检测模型在无人机领域得到了广泛应用。然而,该模型在实际部署中却面临潜在的安全威胁。区别于传统的图像分类,目标检测模型在识别目标的基础上,还会额外生成和返回一组带有标签的目标边界。利用这一特性,提出了一种面向目标检测模型的隐蔽后门攻击框架。与仅在图像中嵌入特定触发特征的传统后门攻击方法不同,提出的新框架首先对图像的目标类别与边界框标注进行精准匹配,再基于匹配结果利用图像缩放原理对数据和标签进行选择性毒化,实现了后门植入的高隐蔽性。最后,在真实数据集上的实验结果证明了提出的后门攻击方法具有较高的攻击成功率。

关键词：无人机深度学习目标检测模型图像缩放攻击后门攻击

来源：评论

学校读者我要写书评

暂无评论

基于CenterNet的半监督起落架自动标注

引用

兵器装备工程学报 2023年第4期44卷 239-244页

作者：方伟汤淼闫文君张婷婷海军航空大学山东烟台264001

针对飞机起落架标注人工标注费时费力问题,提出了将CenterNet目标检测模型与半监督学习结合起来对飞机起落架进行自动标注。该方法在CenterNet的主干特征网络ResNet50基础上嵌入通道注意力机制并对其有效性进行了验证,结合半监督学习,... 详细信息

针对飞机起落架标注人工标注费时费力问题,提出了将CenterNet目标检测模型与半监督学习结合起来对飞机起落架进行自动标注。该方法在CenterNet的主干特征网络ResNet50基础上嵌入通道注意力机制并对其有效性进行了验证,结合半监督学习,用标记样本训练的模型对未标记样本进行标注并对得到的问题样本进行人工修正后叠加进原标记样本组成新的数据集继续训练,最终生成性能较好、能够自动标注的目标检测模型。实验结果表明,模型经过5次迭代训练后,得到标注模型的精确率达到95.29%,平均准确率达到92.16%,对飞机起落架的定位能够满足标注要求。

关键词：图像自动标注 CenterNet 通道注意力机制半监督学习目标检测模型

来源：评论

学校读者我要写书评

暂无评论

机器视觉的战场适应性研究

引用

兵器装备工程学报 2022年第2期43卷 181-185页

作者：吴晓强曾朝阳陆军工程大学野战工程学院南京210007

为研究机器视觉的战场适应性,分析了战场环境中不确定性因素对军事目标机器视觉探测的影响。研究针对Faster R-CNN、YOLOv4和CenterNet 3种目标检测模型,利用样本数据充分训练,确保检测模型有足够高的检测效率。随后,在检测数据中引入... 详细信息

为研究机器视觉的战场适应性,分析了战场环境中不确定性因素对军事目标机器视觉探测的影响。研究针对Faster R-CNN、YOLOv4和CenterNet 3种目标检测模型,利用样本数据充分训练,确保检测模型有足够高的检测效率。随后,在检测数据中引入不确定性因素,包括目标特性和背景的不确定性。分析表明:不确定性因素的引入确实能显著降低目标检测模型的检测效率。这意味着基于军事运用的机器视觉研究应该充分考虑战场环境的影响,也意味着隐身技术措施必须提高对抗目标自动识别技术方面的潜力。

关键词：军事目标适应性目标特性目标检测模型

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：