-
题名双注意力随机选择全局上下文细粒度识别网络
- 1
-
-
作者
徐胜军
荆扬
段中兴
李明海
李海涛
刘福友
-
机构
西安建筑科技大学信息与控制工程学院
西安市建筑制造智能化技术重点实验室
江苏省交通工程建设局
中交隧道工程局有限公司
-
出处
《液晶与显示》
CAS
CSCD
北大核心
2024年第4期506-521,共16页
-
基金
国家自然科学基金(No.52278125)
陕西省自然科学基础研究项目(No.2023-JC-YB-532,No.2022JQ681)
+1 种基金
陕西省重点研发计划(No.2021SF-429)
陕西省教育厅专项科研计划(No.20JK0721)。
-
文摘
针对细粒度图像识别任务中易忽视微小潜在性特征且外观差异细微等问题,提出一种基于双注意力随机选择全局上下文细粒度识别网络。首先,使用ConvNeXt作为主干网络,提出双注意力随机选择模块,对不同阶段提取到的特征进行通道随机选择和空间随机选择,使网络能够关注到其他潜在微小判别性特征;其次,利用全局上下文注意力模块将深层特征的语义信息融合到中间层,增强中间层定位微小特征的能力;最后,提出一种多分支损失,对中间层、深层和拼接层特征引入分类损失,结合不同分支提取到的特征,诱导网络获得多样性的判别特征。所提网络在Stanford-cars、CUB-200-2011、FGVC-Aircraft 3个公开细粒度数据集和真实场景下车型数据集VMRURS上分别达到了95.2%、92.1%、94.0%和97.0%的识别准确率,其性能相比其他对比方法有较大幅度提升。
-
关键词
细粒度识别
ConvNeXt
双注意力随机选择
全局上下文注意力
多分支损失
-
Keywords
fine-grained recognition
convnext
dual-attention random selection
global context attention
multi-branch loss
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名融合全局上下文注意力的遥感图像检测方法
- 2
-
-
作者
廖欢
朱文球
雷源毅
徐轲
-
机构
湖南工业大学
-
出处
《兵器装备工程学报》
CAS
CSCD
北大核心
2024年第2期278-283,共6页
-
基金
湖南省自然科学基金项目(2021JJ50058)
湖南省教育厅开放平台创新基金资助项目(20K046)。
-
文摘
针对遥感图像场景复杂、目标尺寸不一、且小尺寸目标过多导致的检测精度不佳和出现漏检等问题,提出了一种融合全局上下文注意力的目标检测算法。该算法提出一种全局上下文注意力机制和YOLOv5中C3结构融合的模块,以提升网络捕捉图像全局特征的能力;通过Varifocal Loss损失函数来提升对密集、尺寸小的目标的检测性能;采用基于归一化的注意力模块,降低图像中不太显著的特征和权重,使网络能够达到更高的检测准确率;利用动态卷积学习各个维度的信息,让训练得到的模型在降低GFLOPs情况下,同时保持检测精度提升。在NWPU VHR-10数据集上实验结果mAP为96.0%、准确率为98.2%、召回率为94.9%,较原YOLOv5模型分别提升了1.8%、4.7%和2.2%,证明了所改进YOLOv5方法的有效性。
-
关键词
YOLOv5
遥感图像
Varifocal
Loss
全局上下文注意力机制
动态卷积
-
Keywords
YOLOv5
remote sensing image
Varifocal Loss
global context attention
dynamic convolution
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
