-
题名基于改进CenterNet的自动驾驶小目标检测
被引量：8
- 1
-
-
作者
于方程
张小俊
张明路
赵天亮
-
机构
河北工业大学机械工程学院
-
出处
《电子测量技术》
北大核心
2022年第15期115-122,共8页
-
基金
天津市新一代人工智能科技重大专项(18ZXZNGX00230)资助。
-
文摘
自动驾驶领域主流目标检测算法对小目标检测效果差,给行车安全带来了威胁,对单阶段无描框CenterNet算法进行改进以解决此问题。首先,替换原主干网络为具有分裂注意力机制的ResNeSt50网络,并将ReLU激活函数升级为FReLU,以极少的额外计算开销强化了特征提取效果;然后提出轻量级网络PASN融合不同尺度的语义特征,并在浅层特征输入端引入空间池化金字塔(SPP)模块强化小目标信息的表达;最后在Kitti数据集进行随机多尺度输入训练。验证集结果表明改进后算法的FPS达到37.7满足实时性要求,小目标检测精度较原算法提12.9%,平均检测精度提升13.9%,同时检测速度与精度均高于主流算法YOLOv4;在实车上每秒可检测31帧图像,为自动驾驶技术发展提供有力支持,具有工程应用价值。
-
关键词
自动驾驶
小目标
无描框
分裂注意力
CenterNet
-
Keywords
automatic driving
small target
anchor-free
split-attention
CenterNet
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于分裂注意力机制的DNA转录因子结合位点预测
- 2
-
-
作者
姜博文
冯子健
黄伟鸿
-
机构
浙江理工大学计算机科学与技术学院
浙江理工大学信息科学与工程学院
-
出处
《软件导刊》
2024年第2期32-39,共8页
-
文摘
准确识别DNA序列中的转录因子结合位点对于基因表达解析和药物设计等具有重要意义。基于深度学习的各种预测方法已被应用于转录因子结合位点任务中,但预测性能尚有提升空间。为此,提出一种新的深度学习方法ResNest-TFBS,用于预测690个ChIP-seq数据集上的转录因子结合位点。该方法首先在序列One-hot编码的基础上通过引入DNA的分子动力学特征与静电势能特征提取DNA的空间结构特性;其次利用分裂注意力机制与残差结构组成ResNest模型进行训练,从而将通道注意力机制应用于不同通道分支,以捕获其在全局数据集上学习到的特征间交互与多通道表示;最后将上述先验知识迁移至690个ChIP-seq数据集上,并进行广泛测试。实验结果表明,ResNest-TFBS性能优异,平均AUC为0.929。此外,通过SHAP工具验证不同特征在该任务中的贡献程度,证实所引入的特征为转录因子结合位点预测提供了更具价值的生物学线索。
-
关键词
DNA
转录因子结合位点
深度学习
迁移学习
分裂注意力机制
-
Keywords
DNA
transcription factor binding sites
deep learning
transfer learning
split attention mechanism
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
