期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进YOLOv5算法的珊瑚礁底栖生物识别方法 被引量：12
1
作者 吴睿 毕晓君 《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2022年第4期580-586,共7页
现有珊瑚礁底栖生物识别方法存在提取特征困难、实时性较差等问题,导致珊瑚礁底栖生物的识别精度不高。本文引入YOLOv5算法,通过设计跳转连接操作向深层网络传递清晰目标特征,解决了由真实近海图像的退化特性带来的底栖生物特征模糊的... 现有珊瑚礁底栖生物识别方法存在提取特征困难、实时性较差等问题,导致珊瑚礁底栖生物的识别精度不高。本文引入YOLOv5算法,通过设计跳转连接操作向深层网络传递清晰目标特征,解决了由真实近海图像的退化特性带来的底栖生物特征模糊的问题。同时,引入卷积注意力机制模块,解决了无效特征影响识别精度的问题。实验结果表明:本文提出的改进算法无论是识别精度还是识别速度均优于基准算法和目前较先进的单激发多框探测器等算法,从而证明了本文算法的有效性和先进性。 展开更多
关键词 YOLOv5算法 珊瑚礁生物识别 跳转连接 注意力机制 深度学习 珊瑚礁生态系统 特征金字塔结构 神经网络
下载PDF
改进ResNeSt网络的拓片甲骨文字识别 被引量：1
2
作者 毛亚菲 毕晓君 《智能系统学报》 CSCD 北大核心 2023年第3期450-458,共9页
目前,拓片甲骨文字的识别方法存在局部细节特征提取能力弱,对部分高相似度的甲骨文字识别率较低的问题。为此,本文提出了一种基于改进ResNeSt网络的甲骨文字识别方法,通过设计跳转连接结构,逐步将网络浅层特征向网络深层传递并进行融合... 目前,拓片甲骨文字的识别方法存在局部细节特征提取能力弱,对部分高相似度的甲骨文字识别率较低的问题。为此,本文提出了一种基于改进ResNeSt网络的甲骨文字识别方法,通过设计跳转连接结构,逐步将网络浅层特征向网络深层传递并进行融合;同时结合甲骨文字“长条形”的特点,引入坐标注意力机制模块,从宽度和高度两个方向上对所得特征进行加权融合;最后通过去掉网络最后一层的激活函数和全连接层以及对最后一个卷积层输出通道数的重新设置,对网络分类器进行了有效优化。实验结果表明,本文提出的改进拓片甲骨文字识别模型在OBC306数据集上识别准确率达到93.53%,取得了目前最好的识别效果。 展开更多
关键词 ResNeSt网络模型 甲骨文字识别 跳转连接 坐标注意力机制 分类器优化 OBC306 深度学习 神经网络
下载PDF
基于Transformer的核磁共振肿瘤图像分割研究
3
作者 吕嫄 《邵阳学院学报（自然科学版）》 2023年第4期17-24,共8页
为了提高医务人员对于脑肿瘤核磁共振成像的诊断效率和准确率,提出一种基于Transformer的U形图像分割网络,使用纯Transformer架构对输入图像进行特征编码与解码,并通过跳转连接融合多尺度特征修复目标细节。此外,还在特征融合的地方增... 为了提高医务人员对于脑肿瘤核磁共振成像的诊断效率和准确率,提出一种基于Transformer的U形图像分割网络,使用纯Transformer架构对输入图像进行特征编码与解码,并通过跳转连接融合多尺度特征修复目标细节。此外,还在特征融合的地方增加了跳转注意力操作,增强模型的鲁棒性。为了验证此方法的有效性,在公共的脑肿瘤分割数据集BraTS2021上进行了多次实验。所提模型对ET、TC和WT区域的分割Dice得分分别达到83.51%、87.66%和91.39%,且参数量和浮点运算次数较低。实验结果表明,所提网络结构在脑肿瘤核磁共振成像上具有较强的分割性能。 展开更多
关键词 卷积神经网络 TRANSFORMER 跳转连接 U形分割网络 脑肿瘤
下载PDF
基于渐进式特征增强网络的超分辨率重建算法 被引量：2
4
作者 杨勇 吴峥 +1 位作者 张东阳 刘家祥 《信号处理》 CSCD 北大核心 2020年第9期1598-1606,共9页
为了在图像重建质量和网络参数之间取得较好的平衡,本文提出一种基于渐进式特征增强网络的超分辨率(Super-Resolution,SR)重建算法。该方法主要包含两个模块:浅层信息增强模块和深层信息增强模块。在浅层信息增强模块中,首先利用单层卷... 为了在图像重建质量和网络参数之间取得较好的平衡,本文提出一种基于渐进式特征增强网络的超分辨率(Super-Resolution,SR)重建算法。该方法主要包含两个模块:浅层信息增强模块和深层信息增强模块。在浅层信息增强模块中,首先利用单层卷积层提取低分辨率(Low-Resolution,LR)图像的浅层信息,再通过我们设计的多尺度注意力块来实现特征的提取和增强。深层信息增强模块先利用残差学习块学习图像的深度信息,然后将得到的深层信息通过设计的多尺度注意力块来获得增强后的深层多尺度信息。最后我们利用跳转连接的方式将首层得到的浅层信息和深层多尺度信息进行像素级相加得到融合特征图,再对其进行上采样操作,得到最终的高分辨率(High-Resolution,HR)图像。实验结果表明,相比于一些主流的深度学习超分辨率方法,本文方法重建得到的图像无论是主观效果还是客观指标,都取得了更好的效果。 展开更多
关键词 超分辨率重建 浅层信息 深层信息 多尺度信息 跳转连接
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部