针对模型VDSR(very deep super resolution)中存在的忽略特征通道间的相互联系,不能充分利用各层特征,以及参数量过大,计算复杂度过高等问题,本文提出了一种基于残差通道注意力和多级特征融合的图像超分辨率重建网络结构,通过引入残差...针对模型VDSR(very deep super resolution)中存在的忽略特征通道间的相互联系,不能充分利用各层特征,以及参数量过大,计算复杂度过高等问题,本文提出了一种基于残差通道注意力和多级特征融合的图像超分辨率重建网络结构,通过引入残差通道注意力,自适应校正信道的特征响应,提高了网络的表征能力。网络整体使用递归结构,在每个递归块内实现参数共享,减少了参数数量;多级特征融合的方式可以充分提取图像特征;用分组卷积代替传统卷积,进一步减少了参数数量,并降低了计算复杂度。所提算法在保证图像重建质量的同时,减少了模型的参数量并降低了计算复杂度,在图片放大4倍时,参数量和计算复杂度分别约为VDSR的0.33和0.02。展开更多
条锈病和黄矮病是严重威胁小麦生产的重大病害,病害的早期识别对病害防控具有重要意义。现有病害识别模型对相似表型症状识别困难,对早期病害的识别准确度低。为此,该研究构建了一种改进的快速区域卷积神经网络(Faster Regions with CNN...条锈病和黄矮病是严重威胁小麦生产的重大病害,病害的早期识别对病害防控具有重要意义。现有病害识别模型对相似表型症状识别困难,对早期病害的识别准确度低。为此,该研究构建了一种改进的快速区域卷积神经网络(Faster Regions with CNN Features,Faster-RCNN)的病害识别方法。该方法采用卷积核拆解和下采样延迟策略优化了深度残差网络(Deep Residual Neural Network,ResNet-50),用优化后的ResNet-50作为主干特征提取网络以增强所提取特征的表达力,同时简化模型的参数;并采用ROI(Region of Interest)Align改进ROI迟化层以降低特征量化误差,提升识别的精度。在自建的涵盖200余种不同发病时期、不同抗感性的小麦叶部图像数据集上进行试验,结果表明:改进的Faster-RCNN识别方法比其他SSD(Single Shot Multi-Box Detector)、YOLO(You Only Look Once)和Faster-RCNN网络模型的平均精度均值(mean Average Precision,m AP)分别提升了9.26个百分点、7.64个百分点和14.97个百分点。对小麦条锈病、黄矮病、健康小麦和其他黄化症状小麦识别的平均精度均值可达98.74%;对小麦条锈病和黄矮病轻、重症识别的平均精度均值可达91.06%。同时,模型损失函数值降低更快,整体性能表现更优。进一步开发小麦病害智能识别系统部署研究模型,使用微信小程序进行田间小麦病害的识别。在最大并发100的条件下,小程序平均返回时延为5.02 s,识别返回成功率为97.85%,对两种小麦病害及其细分轻重症识别的平均准确率为93.56%,能够有效满足实际应用需求,可用于指导病害的科学防控。展开更多
设计了一种用于无线光传输的激光投影系统并提出了一种基于深度学习的改进型YOLOv3(you only look once,v3)网络用于检测小鼠图像的位置。该网络使用分组卷积对网络参数进行压缩以提高目标检测速度,使用通道混洗方法以增强网络的信息流...设计了一种用于无线光传输的激光投影系统并提出了一种基于深度学习的改进型YOLOv3(you only look once,v3)网络用于检测小鼠图像的位置。该网络使用分组卷积对网络参数进行压缩以提高目标检测速度,使用通道混洗方法以增强网络的信息流通能力。利用交叉熵损失函数中的两个超参数来调整正、负样本的比例以降低易分类样本在损失函数中的权值,提高了目标检测精度。在PASCAL VOC2007和自制小鼠图像数据集上分别进行实验,结果表明提出的基于改进型YOLOv3网络的检测算法检测精度达90.3%,检测速度和检测精度都优于传统型网络结构。应用该算法的激光投影系统可以实时检测运动小鼠目标并进行无线光传输等光遗传实验。展开更多
文摘针对模型VDSR(very deep super resolution)中存在的忽略特征通道间的相互联系,不能充分利用各层特征,以及参数量过大,计算复杂度过高等问题,本文提出了一种基于残差通道注意力和多级特征融合的图像超分辨率重建网络结构,通过引入残差通道注意力,自适应校正信道的特征响应,提高了网络的表征能力。网络整体使用递归结构,在每个递归块内实现参数共享,减少了参数数量;多级特征融合的方式可以充分提取图像特征;用分组卷积代替传统卷积,进一步减少了参数数量,并降低了计算复杂度。所提算法在保证图像重建质量的同时,减少了模型的参数量并降低了计算复杂度,在图片放大4倍时,参数量和计算复杂度分别约为VDSR的0.33和0.02。
文摘条锈病和黄矮病是严重威胁小麦生产的重大病害,病害的早期识别对病害防控具有重要意义。现有病害识别模型对相似表型症状识别困难,对早期病害的识别准确度低。为此,该研究构建了一种改进的快速区域卷积神经网络(Faster Regions with CNN Features,Faster-RCNN)的病害识别方法。该方法采用卷积核拆解和下采样延迟策略优化了深度残差网络(Deep Residual Neural Network,ResNet-50),用优化后的ResNet-50作为主干特征提取网络以增强所提取特征的表达力,同时简化模型的参数;并采用ROI(Region of Interest)Align改进ROI迟化层以降低特征量化误差,提升识别的精度。在自建的涵盖200余种不同发病时期、不同抗感性的小麦叶部图像数据集上进行试验,结果表明:改进的Faster-RCNN识别方法比其他SSD(Single Shot Multi-Box Detector)、YOLO(You Only Look Once)和Faster-RCNN网络模型的平均精度均值(mean Average Precision,m AP)分别提升了9.26个百分点、7.64个百分点和14.97个百分点。对小麦条锈病、黄矮病、健康小麦和其他黄化症状小麦识别的平均精度均值可达98.74%;对小麦条锈病和黄矮病轻、重症识别的平均精度均值可达91.06%。同时,模型损失函数值降低更快,整体性能表现更优。进一步开发小麦病害智能识别系统部署研究模型,使用微信小程序进行田间小麦病害的识别。在最大并发100的条件下,小程序平均返回时延为5.02 s,识别返回成功率为97.85%,对两种小麦病害及其细分轻重症识别的平均准确率为93.56%,能够有效满足实际应用需求,可用于指导病害的科学防控。
文摘设计了一种用于无线光传输的激光投影系统并提出了一种基于深度学习的改进型YOLOv3(you only look once,v3)网络用于检测小鼠图像的位置。该网络使用分组卷积对网络参数进行压缩以提高目标检测速度,使用通道混洗方法以增强网络的信息流通能力。利用交叉熵损失函数中的两个超参数来调整正、负样本的比例以降低易分类样本在损失函数中的权值,提高了目标检测精度。在PASCAL VOC2007和自制小鼠图像数据集上分别进行实验,结果表明提出的基于改进型YOLOv3网络的检测算法检测精度达90.3%,检测速度和检测精度都优于传统型网络结构。应用该算法的激光投影系统可以实时检测运动小鼠目标并进行无线光传输等光遗传实验。
