期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
采用改进的YOLOv5s检测花椒簇 被引量:7
1
作者 徐杨 +2 位作者 李论 彭佑菊 何佳佳 《农业工程学报》 EI CAS CSCD 北大核心 2023年第16期283-290,共8页
为实现花椒簇的快速准确检测,该研究提出了一种基于改进YOLOv5s的花椒簇检测模型。首先,使用MBConv(MobileNetV3 block convolution,MBConv)模块和基于ReLU的轻量级自注意力机制优化了EfficientViT网络,用其代替YOLOv5s的主干,减少模型... 为实现花椒簇的快速准确检测,该研究提出了一种基于改进YOLOv5s的花椒簇检测模型。首先,使用MBConv(MobileNetV3 block convolution,MBConv)模块和基于ReLU的轻量级自注意力机制优化了EfficientViT网络,用其代替YOLOv5s的主干,减少模型的参数量、增强模型对重要特征的表达能力。其次,在模型的训练过程中采用了OTA(optimal transport assignment)标签分配策略,优化训练中的标签分配结果。最后,使用WIoU损失函数对原损失函数CIoU进行替换,提高锚框的质量。试验结果表明,改进YOLOv5s模型的平均准确度均值(mean average precision,mAP)为97.3%、参数量为5.9 M、检测速度为131.6帧/s。相较于YOLOv5s模型,mAP提升1.9个百分点、参数量降低15.7%、检测速度提高14.5%。结果表明,该研究提出的改进YOLOv5s模型准确度高、参数量低、检测速度快,可实现对花椒簇的有效检测。 展开更多
关键词 图像处理 深度学习 目标检测 YOLOv5 自注意力机制 花椒簇
下载PDF
级联边缘卷积与注意力机制的点云分类分割研究 被引量:1
2
作者 王秋红 徐杨 +1 位作者 蒋诗怡 《计算机工程与应用》 CSCD 北大核心 2024年第12期170-180,共11页
近几年点云的分类分割研究多采用多层次架构提取点云特征的方法,提取到较为稳定的高层语义特征,但是全局特征和邻域特征提取不足并且缺乏对上下文信息的特征融合。因此,提出一种新的LAM-EdgeCNN网络,采用边缘卷积与注意力机制级联的方... 近几年点云的分类分割研究多采用多层次架构提取点云特征的方法,提取到较为稳定的高层语义特征,但是全局特征和邻域特征提取不足并且缺乏对上下文信息的特征融合。因此,提出一种新的LAM-EdgeCNN网络,采用边缘卷积与注意力机制级联的方式对点云进行多层级特征提取,获取高层次特征信息。为了加强对特定通道特征和关键空间点的捕捉,提出一种轻量型LAM注意力机制,使用CAM特征通道注意力获取各通道的关联,定位关键通道特征的捕获,使网络更加关注特定通道特征以减少信息弥散和特征冗余;引入SAM空间注意力机制获取点空间的位置信息的注意力权重,增加获得浅层信息的细粒度。采用注意力机制与边缘卷积EdgeConv相结合的方式,增强上下文感知能力,充分提取和融合点云的局部特征和上下文特征,获得面向下游任务的点云特征。将模型应用于公开数据集,实验表明,模型在点云分类、部件分割、语义分割任务中取得良好效果且具有较好鲁棒性。 展开更多
关键词 点云分类 点云分割 轻量型 注意力机制 边缘卷积
下载PDF
基于轻量化视觉Transformer的花卉识别 被引量:4
3
作者 徐杨 +1 位作者 范润泽 孙少聪 《图学学报》 CSCD 北大核心 2023年第2期271-279,共9页
由于不同种类花卉之间的相似性以及同种花卉的差异性,提取局部特征信息的卷积神经网络(CNN)在花卉图像的识别上取得的结果不够理想。在Swin Transformer(Swin-T)网络的基础上,提出了一种轻量型的Transformer网络LWFormer。首先,该网络... 由于不同种类花卉之间的相似性以及同种花卉的差异性,提取局部特征信息的卷积神经网络(CNN)在花卉图像的识别上取得的结果不够理想。在Swin Transformer(Swin-T)网络的基础上,提出了一种轻量型的Transformer网络LWFormer。首先,该网络将基于移动窗口的PoolFormer模块引入Swin-T网络的第一、二阶段,对网络进行轻量化。其次,引入了双通道注意力机制,2个独立的通道分别关注了特征图的“位置”和“内容”,提高网络提取全局特征信息的能力。最后,使用了对比损失函数,进一步优化了网络的性能。在Oxford 102 Flower Dataset和104 Flowers Garden of Eden这2个公开的数据集上对改进的模型进行评估,并与其他方法进行对比,在这2个数据集上,分别得到了88.1%与87.3%的准确率。与Swin-T网络相比,该网络参数量降低了33.45%,FLOPs降低了28.89%,throughtput提高了91.45%,准确率提高了1.8%。实验结果表明,该网络在提升了准确率的同时降低了参数量,得到了速度与精度地提升。 展开更多
关键词 花卉识别 轻量化 注意力机制 双通道注意力 对比损失函数
下载PDF
多尺度融合编码与自注意力的肺部CT分割算法
4
作者 彭佑菊 徐杨 +1 位作者 蒋诗怡 《建模与仿真》 2023年第5期4616-4630,共15页
计算机断层扫描(CT)在当前是一种辅助检测肺炎的有效手段,但病理表征的复杂性给医生诊断时带来不便,难以准确地对图像进行分割。为进一步辅助医生根据病理表征诊断病情,本文基于U-net提出了一种多尺度融合编码网络,并结合自注意力机制,... 计算机断层扫描(CT)在当前是一种辅助检测肺炎的有效手段,但病理表征的复杂性给医生诊断时带来不便,难以准确地对图像进行分割。为进一步辅助医生根据病理表征诊断病情,本文基于U-net提出了一种多尺度融合编码网络,并结合自注意力机制,力图在辅助医生判断的角度提供可行性方案。为了获取不同尺度的语义信息,首先在编码器部分设计了一种多尺度融合编码器模块,提取不同尺度的特征,充分感知语义信息;同时在编码器和解码器之间的跳连部分引入了改进的自注意力机制,使得网络更好地关注不同语义特征的相关性;最后,采用融合Dice损失函数,Focal损失函数,交叉熵损失函数构建的多级损失函数,更好地约束训练。通过训练公开的数据集,得到分割结果表明Dice相似系数、精确率(Precision)、召回率(Recall)分别为75.37%、77.03%、71.87%,优于其他的模型。我们验证了改进的网络能够在图像分割过程中提升网络性能的可能性。 展开更多
关键词 肺炎 图像分割 多尺度融合编码器 自注意力机制 深度学习
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部