检索结果-内蒙古大学图书馆

光学学报 2025年第09期 122-132页

作者：韩玉兰陈德澳吴桐刘显禄兰朝凤哈尔滨理工大学测控技术与通信工程学院黑龙江省模式识别与信息感知重点实验室

针对现有红外目标检测方法计算复杂度高、参数量大、依赖高性能资源，难以应用到资源受限的移动设备的问题，提出了适合边缘设备部署的红外交通目标检测网络。首先，提出了上下文锚点注意力多阶高效聚合网络，自适应提取多尺度特征和全... 详细信息

针对现有红外目标检测方法计算复杂度高、参数量大、依赖高性能资源，难以应用到资源受限的移动设备的问题，提出了适合边缘设备部署的红外交通目标检测网络。首先，提出了上下文锚点注意力多阶高效聚合网络，自适应提取多尺度特征和全局依赖关系，通过优化梯度路径降低模型计算量，适应目标尺度变化和模型轻量化需求；其次，提出了全局跨层特征融合模块，实现不同尺度的三层特征交互，有效融合高层语义信息和底层空间信息；最后，通过HiLo注意力机制实现了尺度内高层语义特征交互，关注目标轮廓的同时减少参数数量和浮点运算数。实验结果表明，与同类方法相比，该网络在多个数据集上具有最佳表现，与RT-DETR相比，参数数量和浮点运算数分别下降了46%和39%，模型尺寸压缩了45%，降至21 MB。可见，本文方法适合部署在资源受限的边缘设备。

关键词：红外目标检测边缘设备多尺度特征特征融合

来源：评论

学校读者我要写书评

暂无评论

基于密集残差和质量评估引导的频率分离生成对抗超分辨率重构网络

引用

电子与信息学报 2024年第12期46卷 4563-4574页

作者：韩玉兰崔玉杰罗轶宏兰朝凤哈尔滨理工大学测控技术与通信工程学院哈尔滨150080 哈尔滨理工大学模式识别与信息感知黑龙江省重点实验室哈尔滨150080

生成对抗网络因其为盲超分辨率重构提供了新的思路而备受关注。针对现有方法未充分考虑图像退化过程中的低频保留特性而对高低频成分采用相同的处理方式,缺乏对频率细节有效利用,难以获得较好重构效果的问题,该文提出一种基于密集残差... 详细信息

生成对抗网络因其为盲超分辨率重构提供了新的思路而备受关注。针对现有方法未充分考虑图像退化过程中的低频保留特性而对高低频成分采用相同的处理方式,缺乏对频率细节有效利用,难以获得较好重构效果的问题,该文提出一种基于密集残差和质量评估引导的频率分离生成对抗超分辨率重构网络。该网络采用频率分离思想,对图像的高频和低频信息分开处理,从而提高高频信息捕捉能力,简化低频特征处理。该文对生成器中的基础块进行设计,将空间特征变换层融入密集宽激活残差中,增强深层特征表征能力的同时对局部信息差异化处理。此外,利用视觉几何组网络(VGG)设计了专门针对超分辨率重构图像的无参考质量评估网络,为重构网络提供全新的质量评估损失,进一步提高重构图像的视觉效果。实验结果表明,同当前先进的同类方法比,该方法在多个数据集上具有更佳的重构效果。由此表明,采用频率分离思想的生成对抗网络进行超分辨率重构,可以有效利用图像频率成分,提高重构效果。

关键词：超分辨率生成对抗网络频率分离质量评估密集残差

来源：评论

学校读者我要写书评

暂无评论

LGDNet:结合局部和全局特征的表格检测网络

引用

电子与信息学报 2024年第12期46卷 4553-4562页

作者：卢迪袁璇哈尔滨理工大学测控技术与通信工程学院哈尔滨150080 哈尔滨理工大学模式识别与信息感知黑龙江省重点实验室哈尔滨150080

在大数据时代,表格广泛存在于各类文档图像中,进行表格检测对于表格信息再利用具有重要意义。针对现有的基于卷积神经网络的表格检测算法存在感受野受限、依赖于预设的候选区域以及表格边界定位不准确等问题,该文提出一种基于DINO模型... 详细信息

在大数据时代,表格广泛存在于各类文档图像中,进行表格检测对于表格信息再利用具有重要意义。针对现有的基于卷积神经网络的表格检测算法存在感受野受限、依赖于预设的候选区域以及表格边界定位不准确等问题,该文提出一种基于DINO模型的表格检测网络。首先,设计一种图像预处理方法,旨在增强表格的角点和线特征,以更好地区分表格与文本等其他文档元素。其次,设计一种主干网络SwTNet-50,通过在ResNet中引入Swin Transformer Blocks (STB),有效地进行局部-全局特征信息的提取,提高模型的特征提取能力以及对表格边界的检测准确性。最后,为了弥补DINO模型在1对1匹配中编码器特征学习不足问题,采用协同混合匹配训练策略,提高编码器的特征学习能力,提升模型检测精度。与多种基于深度学习的表格检测方法进行对比,该文模型在表格检测数据集TNCR上优于对比算法,在IoU阈值为0.5, 0.75和0.9时F1-Score分别达到98.2%, 97.4%和93.3%。在IIIT-AR-13K数据集上,IoU阈值为0.5时F1-Score为98.6%。

关键词：表格检测卷积神经网络 Transformer 特征提取

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：