为提高林业害虫识别精度，提出改进YOLOv7的林业害虫检测模型（GhostConv and SE Attention Enhanced YOLOv7，GS-YOLOv7）。该模型首先将主干网络的传统卷积改用GhostConv轻量卷积，减小模型运行的参数量，提高模型效率；其次，通过添...
详细信息
为提高林业害虫识别精度，提出改进YOLOv7的林业害虫检测模型（GhostConv and SE Attention Enhanced YOLOv7，GS-YOLOv7）。该模型首先将主干网络的传统卷积改用GhostConv轻量卷积，减小模型运行的参数量，提高模型效率；其次，通过添加挤压激励（Squeeze Excitation，SE）注意力模块，强化对特征不显著的害虫图像边缘的提取能力，进而提高网络的特征提取能力；再次，用特征内容感知重组（content aware reassembly of features，CARAFE）轻量级算子取代传统采样方法，提高特征重建质量，解决尺度不匹配问题，增强检测性能；最后，在 Neck 网络引入协调坐标卷积（Coordinate Convolution，CoordConv）模块，利用其位置信息解决目标定位不准问题，提高模型对空间位置的感受能力和泛化能力；在6种常见的病虫数据集上进行试验，GS-YOLOv7模型的精确率达到93.15%，交并比阈值为0.5时的平均精度均值达到93.29%，比原模型的精确率、平均精度均值分别提高6.50%和2.09%；参数量和模型大小分别降至1.9×107和38.17 MB，比原模型分别降低51.4%和46.53%。结果表明，GS-YOLOv7模型较原模型性能有显著提升，模型改进有效。
隐私保护真值发现技术在移动群智感知网络领域中受到了广泛关注.然而在实际应用中,恶意用户上传的异常值对真值发现结果的可靠性带来了较大影响.为此,提出了一种基于区间验证的隐私保护真值发现算法IVPPTD (Interval Verification based Privacy-Preserving Truth Discovery).首先,采用Paillier同态加密方法实现用户感知数据的安全上传和真值发现,保护用户的感知数据、权重信息以及估算真值的隐私不被泄露.其次,提出一种密文域中的异常数据过滤算法,对数据约束区间外的异常值进行数据清洗,从而在保护用户敏感信息不被泄露的前提下,提高真值发现结果的可靠性.最后,基于感知平台和密钥生成中心协作完成真值发现过程,减少了用户与云服务器之间的通信开销.仿真实验结果表明,所提方法具有高准确率、对异常值的鲁棒性以及较低的计算开销.
暂无评论