检索结果-内蒙古大学图书馆

光电子·激光 2025年

作者：李慧廖长荣廖晓娟王恒涛重庆科创职业学院人工智能与大数据学院重庆文理学院电子信息工程学院三峡大学经济与管理学院

复杂SAR（Synthetic Aperture Radar）影像场景下准确高效的目标检测算法能够提升监测装备的感知能力。针对海上复杂环境SAR图像舰船漏检、错检问题严重，提出了一种轻量级视觉感知模型DH-YOLO（Double detection head-YOLO）。首先，... 详细信息

复杂SAR（Synthetic Aperture Radar）影像场景下准确高效的目标检测算法能够提升监测装备的感知能力。针对海上复杂环境SAR图像舰船漏检、错检问题严重，提出了一种轻量级视觉感知模型DH-YOLO（Double detection head-YOLO）。首先，提出了低维双检测头网络结构，解决SAR图像舰船小目标随着卷积导致的特征丢失问题；然后，提出了cosN-IoU（Cosine Normalized Intersection over Union）损失函数，设计新的锚框角度损失度量方式，并引入调节因子提高正样本的贡献。最后，提出了基于特征空间相似度的剪枝算法，依据滤波器相似度为可替换指标，完成网络特征信息剪枝，提高算法推理速度，实现轻量化处理。相较于当前主流算法，DH-YOLO在各方面均取得了不错的成绩，精度明显提高并且模型体积可压缩至190KB，模型推理时间可降低至3ms以下，能够满足SAR图像实时舰船目标检测。

关键词：深度学习目标检测合成孔径雷达轻量化网络结构模型剪枝

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遥感影像建筑物提取方法综述

引用

地球信息科学学报 2024年第6期26卷 1500-1516页

作者：杨明旺赵丽科叶林峰蒋华伟杨震河南工业大学信息科学与工程学院郑州450001

建筑物提取作为遥感影像处理领域备受关注的研究方向之一,对于城市规划、灾害管理、智慧城市建设等方面具有重要意义。近年来,随着遥感技术的不断突破和深度学习算法的迅速发展,卷积神经网络凭借强大的特征提取能力成为从遥感影像中提... 详细信息

建筑物提取作为遥感影像处理领域备受关注的研究方向之一,对于城市规划、灾害管理、智慧城市建设等方面具有重要意义。近年来,随着遥感技术的不断突破和深度学习算法的迅速发展,卷积神经网络凭借强大的特征提取能力成为从遥感影像中提取建筑物的新兴解决方案。本文对基于卷积神经网络的建筑物提取方法进行系统总结,并将相关文献的方法针对模型结构、多尺度特征差异性、边界信息缺失以及模型复杂度的优化策略进行归纳分析。随后,我们阐述了典型的建筑物数据集以及当前数据集存在的问题,并根据数据集上的实验结果对相关方法的精度及参数量进行详细分析,旨在帮助读者更好地理解各种方法的性能和适用范围。最后,立足于领域的研究现状,面向人工智能高质量发展的新时代,从Transformer与CNN的结合、深度学习与强化学习的结合、跨模态数据融合、无监督或半监督学习方法、基于大规模遥感模型的实时提取、建筑物实例分割和建筑物轮廓矢量提取等方面对建筑物提取的未来研究方向进行了展望。

关键词：卷积神经网络遥感影像建筑物提取深度学习非对称网络结构多尺度特征融合边界优化轻量化网络结构

来源：评论

学校读者我要写书评

暂无评论

面向空间认知通信的轻量化网络自动调制分类方法

引用

系统工程与电子技术 2023年第7期45卷 2220-2226页

作者：崔天舒王栋黄振清华大学北京信息科学与技术国家研究中心北京100190 中国科学院大学计算机科学与技术学院北京100149

当前自动调制分类采用的深度学习模型存在参数量与计算量大的问题。根据连续采样同相正交信号特点,提出了一种轻量且高效的深度网络结构。通过构造方向滤波器,首先提取相位特征,再提取时域特征,最后利用通道特征均值分类。采用通信信号... 详细信息

当前自动调制分类采用的深度学习模型存在参数量与计算量大的问题。根据连续采样同相正交信号特点,提出了一种轻量且高效的深度网络结构。通过构造方向滤波器,首先提取相位特征,再提取时域特征,最后利用通道特征均值分类。采用通信信号分类数据集进行验证,当信噪比大于0 dB时,准确率超过60%,信噪比大于等于10 dB时,准确率超过90%;与主流深度模型相比,在达到相同准确率时,仅用20%左右的模型参数和50%左右的推理时间,更适合被应用于空间认知通信系统。

关键词：自动调制分类深度学习轻量化网络结构

来源：评论

学校读者我要写书评

暂无评论

面向边缘环境的图像小目标检测研究与实现

面向边缘环境的图像小目标检测研究与实现

引用

作者：李泽华西安电子科技大学

学位级别：硕士

边缘环境下的图像小目标检测长期以来是计算机视觉中的一个难点和研究热点。在深度学习以及边缘计算的发展和驱动下,小目标检测的应用场景也越来越广泛。然而一方面由于小目标检测存在目标尺度小、分布不均匀、数据集中类别不均衡等问题... 详细信息

边缘环境下的图像小目标检测长期以来是计算机视觉中的一个难点和研究热点。在深度学习以及边缘计算的发展和驱动下,小目标检测的应用场景也越来越广泛。然而一方面由于小目标检测存在目标尺度小、分布不均匀、数据集中类别不均衡等问题,另一方面在边缘计算环境下存在资源受限的问题,使得边缘环境小目标检测面临着检测精度较低、效率和性能欠佳等问题。因此为了进一步促进边缘计算环境下小目标检测的发展,本文对现有小目标检测算法进行了全面的总结,并在现有基础上对资源受限边缘环境下的图像小目标检测展开研究,主要工作如下: 针对边缘环境资源受限的特点以及小目标检测算法对小目标关注度高的特定需求,本文选择YOLOv5s作为基线算法,并针对Loss函数进行改进,使用Alpha-IoU Loss构建了一个对小目标关注度更高的损失函数,并且使用了更平滑计算方法使得目标框与真实框之间的距离计算更加平稳真实。针对边缘环境小目标检测领域中存在的小目标分辨率低、样本不均衡、小目标聚集、计算资源限制等问题,本文在Alpha-IoU Loss改进的基础上提出了一个新型小目标检测算法SC-YOLOv5s,通过使用轻量化结构对主干网络、瓶颈网络的改进优化以及注意力机制的融入,提高模型的表征能力,解决了小目标检测中存在的梯度消失问题,使得模型可以更加关注输入图像中小目标的所有相关信息,提高了SC-YOLOv5s模型对于小目标检测任务的检测精度和执行速度,并且增强了算法的鲁棒性。最后为了使SC-YOLOv5s能够满足边缘环境下的计算资源要求,同时提高算法在边缘环境的部署性价比,本文通过模型剪枝的方法对SC-YOLOv5s做了轻量化处理,使得模型可以充分满足边缘环境不同计算节点的部署需求。同时为了更好利用边缘环境中各计算节点的高效协作性,本文还提出了一种算法协作部署方案,可以充分利用每个节点的计算资源,提高整个边缘环境网络的资源利用率,提高边缘环境下小目标检测任务的执行效率。实验数据表明本文算法SC-YOLOv5s在高难度小目标数据集上mAP达到了73.2%,对比基准算法YOLOv5s提升了6.1%;在进行模型剪枝并部署在边缘环境上后在mAP仍然达到了73.0%,在仅损失了0.2%的精度的前提下,模型大小缩减了64%,FPS提高了206%,取得了十分优秀的性能表现。本文提出的SC-YOLOv5s是边缘环境下小目标检测领域中精度、尺寸和速度三方面综合表现极佳的算法,并且具有良好的鲁棒性和部署性价比。

关键词：边缘计算小目标检测轻量化网络结构注意力机制模型剪枝

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv5s的火焰烟雾检测方法研究

基于改进YOLOv5s的火焰烟雾检测方法研究

引用

作者：刘忠意长江大学

学位级别：硕士

火灾对人们的生命财产安全造成了重大的威胁,因此及时对火灾进行精准的检测,对预防火灾有着重要的意义。传统的火灾探测方法以物理传感器为主,通过检测火灾发生时产生的物理量来判断是否发生火灾。这种方法能够在一定程度上预警火灾,但... 详细信息

火灾对人们的生命财产安全造成了重大的威胁,因此及时对火灾进行精准的检测,对预防火灾有着重要的意义。传统的火灾探测方法以物理传感器为主,通过检测火灾发生时产生的物理量来判断是否发生火灾。这种方法能够在一定程度上预警火灾,但是存在着使用空间范围限制,不能提供额外的位置或者范围信息等缺点,难以满足实际的需求。近年来,基于深度学习的目标检测方法已经广泛应用在火灾检测任务中。相较于传统的计算机图像处理方法,目标检测方法无需手动的选择特征进行识别,而是通过大量的数据,自动学习火灾中的火焰和烟雾的特征,在不同场景下准确度高,泛化能力强。因此,本文以YOLOv5网络为基础,通过改进该网络来提升对火焰和烟雾的识别效果。具体的研究内容如下: (1)针对目标公共数据集较少,并且数据集标注不准确等问题,通过网页搜索、视频截取等方式,建立了一个包含9046张图片的数据集,用于模型的训练和测试。 (2)针对火灾场景中,火焰和烟雾检测精度低的问题,提出了改进的YOLOv5检测算法。该算法使用EIOU边界框损失函数,提高目标检测的准确度。随后,在主干网络中使用改进后的SPPFCSPC空间金字塔池化模块替换原始的SPPF模块,增加感受野的同时也加强了模型特征提取能力。最后,在主干网络和检测头前分别加入ACmix注意力和CBAM注意力模块,加强网络对目标的关注度,减少背景等其他因素的影响。改进后的网络平均精度达到了81.9%,相较于改进前提升了2.4%,精准率也提高了5.9%。 (3)针对火焰烟雾检测网络中存在参数量和计算量大的问题,提出了两种模型压缩方法。方法一是使用结构化通道剪枝的方法对模型进行压缩,剪枝后的网络平均精度仅下降了1.4%,参数量减少了2.1M,达到了4.9M,模型权重和计算量相较于改进前分别降低3.86MB和9.2G。方法二是通过使用轻量化模块的方法来进行模型压缩,该方法首先使用Ghost模块替换原始网络中的部分普通卷积和C3模块,然后在颈部部分使用轻量化的Slim-Neck进行替代,以降低模型的参数量和计算量。最终模型参数量为4.9M,模型权重和计算量分别降低了3.92MB和7.1G,平均检测精度达到81.6%,高于改进之前的模型。 (4)通过将本文所提出的算法与实际需求结合,使用Py QT5框架开发了一个火灾检测系统,能够对火灾进行实时检测。

关键词：目标检测 EIOU SPPFCSPC 注意力模型剪枝轻量化网络结构

来源：评论

学校读者我要写书评

暂无评论

道路路面病害检测关键技术研究与系统实现

道路路面病害检测关键技术研究与系统实现

引用

作者：翟茗禹长安大学

学位级别：硕士

论文从道路路面病害检测关键技术出发,针对目前路面病害检测系统检测效率低、精准度差等问题,重点围绕实时道路坑槽检测、小尺寸裂缝检测等内容展开研究,并在此基础上构建精准高效的道路路面病害检测系统,本文主要工作如下:(1)提出了一... 详细信息

论文从道路路面病害检测关键技术出发,针对目前路面病害检测系统检测效率低、精准度差等问题,重点围绕实时道路坑槽检测、小尺寸裂缝检测等内容展开研究,并在此基础上构建精准高效的道路路面病害检测系统,本文主要工作如下:(1)提出了一种轻量化道路坑槽检测算法。针对现有的道路坑槽检测模型参数量大、检测精度低、检测实时性差等问题,论文提出一种轻量化YOLOv5道路坑槽检测模型。采用Ghost C3和GSConv模块分别对YOLOv5主干网络和Neck网络进行轻量化改进,结合CA注意力机制提高模型对图像空间信息和位置信息的特征提取能力,将CIo U损失函数替换为SIo U损失函数加速网络收敛,提升网络检测精度。在Savit公开数据集上的实验结果表明,与YOLOv5网络相比,改进后网络精确率提高2.8%,召回率提高2.3%,m AP提高1.3%,浮点运算次数减少25%。与主流的目标检测网络相比,本文算法的精度和速度均有较大提升,为道路坑槽实时检测提供了技术支撑。(2)提出了一种精准高效的道路裂缝检测算法。针对现有的道路裂缝检测模型检测精度差、特征提取不完整的问题,论文提出一种基于改进Trans Unet的道路裂缝检测算法。在Trans Unet网络基础上,引入双分支输入的Swin Transformer结构,完成不同语义尺度的特征提取,结合MFFM多尺度特征融合模块,有效建立不同尺度特征间的全局依赖关系,从而提高模型结合上下文信息的能力,有利于细小裂缝的分割。与Trans Unet网络相比,改进后网络在Crack500数据集上测试的精确率、召回率和F1-score分别提升2.95%、2.65%、2.79%。与主流的语义分割算法相比,本文提出的方法在道路裂缝检测任务中表现性能更优。(3)设计了一种稳定可靠的道路病害检测系统。目前道路病害检测仍以人工巡检为主,存在费时费力、主观性强、不够规范等问题。论文对系统的功能性和非功能性需求进行分析,完成了系统总体设计与软硬件集成开发等工作。通过系统功能测试表明本系统可实现路段信息管理、图像采集、道路坑槽及裂缝检测等功能。通过可视化界面为用户提供便捷性服务,保证系统交互性与实用性。综上所述,本文采用基于深度学习的方法完成道路坑槽和道路裂缝检测任务,并通过软件界面完成直观准确的展示,为道路养护工作提供了有力的技术支持。

关键词：道路病害检测系统轻量化网络结构 YOLOv5 特征融合 TransUnet

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的输电线路缺陷检测研究

基于深度学习的输电线路缺陷检测研究

引用

作者：谢霄悦河北科技大学

学位级别：硕士

输电线路安全稳定地运行是电能供应的重要保障。然而其长期暴露于恶劣的自然环境中,极易出现异物悬挂,绝缘子本体破损、闪络放电等缺陷,严重影响电力系统的稳定安全。随着我国电网规模的日益扩大,传统的人工巡检与无人机巡检已无法满足... 详细信息

输电线路安全稳定地运行是电能供应的重要保障。然而其长期暴露于恶劣的自然环境中,极易出现异物悬挂,绝缘子本体破损、闪络放电等缺陷,严重影响电力系统的稳定安全。随着我国电网规模的日益扩大,传统的人工巡检与无人机巡检已无法满足输电线路日常的巡检需求,逐步被新的巡检方式所替代。现有的输电线路缺陷检测算法不能满足线路巡检对实时性、准确性的要求。因此本文以输电线路异物和绝缘子缺陷为研究对象,围绕深度学习算法对输电线路缺陷检测展开研究。具体工作如下:针对输电线路异物边缘特征不明显、外观复杂多变的问题,提出了一种改进YOLOv5算法的输电线路异物检测模型。首先使用轻量级的Ghost瓶颈模块替换运算量很大的CSP1-x结构中的标准卷积。同时将CA模块中的非线性激活函数替换为Swish函数,设计S-CA注意力机制,并将其嵌入到CSP1-x结构中构建轻量化CGA结构。然后设计了FE-FPN特征金字塔结构,使模型获取更多细粒度信息。最后通过替换更有优势的EIo U Loss来提升模型检测的准确率。实验结果表明改进的网络模型检测精度更高且检测速度更快,更适合部署到移动端。针对绝缘子缺陷形状不规则、不同角度存在遮挡、形态差异较大的问题,设计了新的VSPENet轻量化网络结构作为CenterNet的编码网络。首先引入Vo VNet网络,并在其基础上设计基于可变形卷积的网络架构。之后使用双线性插值法设计特征融合结构,对获得的多层次特征图进行有效融合。最后结合SE注意力机制和ASPP模块构建了ASPE结构,实现多个尺度捕捉绝缘子缺陷的特征信息。经对比分析与实验验证,改进后的模型很好地平衡了检测速度和精度,提高了模型的检测性能。在NVIDIA Jetson Nano开发板上对改进后的检测模型进行部署。结果表明改进的轻量化模型具有较好的检测效果,平均帧率保持在35f/s左右,满足实际场景下输电线路缺陷检测的需求。

关键词：轻量化网络结构输电线路异物 YOLOv5 绝缘子缺陷 CenterNet 模型部署

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的模型压缩方法研究

基于深度卷积神经网络的模型压缩方法研究

引用

作者：刘港西安工业大学

学位级别：硕士

随着深度学习以及神经网络的不断发展,神经网络模型已经在各行各业中得到了广泛应用。现今的卷积神经网络模型复杂度高、参数量大,同时存在一些计算冗余的特点,使得大模型在边缘端部署及推理变得十分困难。为了缩小模型体积、减少模型... 详细信息

随着深度学习以及神经网络的不断发展,神经网络模型已经在各行各业中得到了广泛应用。现今的卷积神经网络模型复杂度高、参数量大,同时存在一些计算冗余的特点,使得大模型在边缘端部署及推理变得十分困难。为了缩小模型体积、减少模型参数及存储内存,提升模型性能。因此,对深度卷积神经神经网络模型进行压缩的研究工作得到广泛关注,通过使用模型压缩算法减小模型体积、减少计算冗余、加快网络推理速度,使大模型转换为轻量模型,以便网络模型适用于丰富的边缘端场景。本文主要研究了结构化模型剪枝和网络参数量化技术。首先是设计了自动化的模型剪枝方法DABCPruner,这是一种结构化动态寻优的剪枝方式。这个方法是从全局角度出发,以人工蜂群算法为基础,自动的搜索网络模型的最优剪枝结构。第一步是以数学表达式的形式定义剪枝模型的网络结构,然后初始化剪枝结构集合,接着通过对初始化剪枝结构的更新,根据剪枝结构网络的适应度值进行比较,进而裁剪掉模型中的冗余通道对模型进行压缩,最终得到最佳剪枝结构的网络。具体的说,DABCPruner在初始化剪枝组合结构的基础上,借助人工蜂的局部优化行为,持续的探寻最佳的剪枝结构,最终在全局中找到最优的剪枝结构。特别的,在本方法中加入了组合缩减策略之后,剪枝结构的组合数量明显减少,提升了剪枝的效率。采用这种方式的优点在于可以更好的判断网络模型中每个通道的重要性,避免了人工式启发搜索得到次优的剪枝网络结构,使得模型压缩效果更佳。应用DABCPruner算法在CIFAR-10和CIFAR-100数据集上对四种经典网络进行剪枝,与基线算法相比,在准确率为相当的情况下,通道数、FLOPs以及参数量分别有不同程度的减少。然后是改进并提出了网络参数量化的方法R-PDLQ。这个方法是从全局角度出发,通过度量量化模型和全精度模型之间的差异以及内部块之间的正则化损失相结合的方式对量化模型进行调整,应用预测差异损失来操作量化参数。R-PDLQ对网络模型中每一层的参数进行逐层的量化,通过比较当前层的量化网络输出与FP网络的输出之间的差异,以及计算内部块的正则化损失,进而计算PDL(Prediction Difference Loss)。为了缓解量化过程中模型的过拟合问题,在优化的过程中引入正则化,正则化方法限制了每个块的全精度模型和量化模型参数之间的差异性。当量化参数为W4A4时,在CIFAR10数据集上RPDLQ量化的Res Net18网络的精度比基线算法提升了0.61个百分点。最后使用本文提的出模型压缩方法对经典网络进行了压缩,并将经过压缩后的网络模型成功部署在边缘端设备上进行推理,证实了本文提出的两种模型压缩方法的有效性。

关键词：卷积神经网络模型压缩模型剪枝参数量化轻量化网络结构

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv8-Pose的码垛快速识别与抓取点检测

引用

组合机床与自动化加工技术 2024年第11期 125-129页

作者：郭忠峰王健鹏杨钧麟杨春源沈阳工业大学机械工程学院沈阳110870

针对码垛场景中在仓库内对米袋和面袋的识别与抓取点检测的任务,提出了一种基于改进的YOLOv8-Pose的轻量化快速检测算法模型。其基于YOLOv8-Pose,使用若干个ShuffleNetv2模块取代原Darknet主干网络,降低模型大小;添加SimAM注意力机制,... 详细信息

针对码垛场景中在仓库内对米袋和面袋的识别与抓取点检测的任务,提出了一种基于改进的YOLOv8-Pose的轻量化快速检测算法模型。其基于YOLOv8-Pose,使用若干个ShuffleNetv2模块取代原Darknet主干网络,降低模型大小;添加SimAM注意力机制,提升目标特征提取能力。通过对比实验表明,该模型在不牺牲准确性的前提下可提升模型的识别速度。模型在自制数据集中的平均精度达到了93.7%,检测速度达到了62 fps,优于常见模型。证明该模型能够实现复杂场景下的抓取点识别,且该轻量化模型能够适用于嵌入式硬件,降低设备成本。

关键词：抓取点检测 YOLOv8-Pose ShuffleNetv2 轻量化网络结构

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：