图像分类任务中,在使用卷积神经网络提取图像特征信息时,通过最大池化和下采样的操作提高模型感受野的同时会带来特征图分辨率下降、上下文信息丢失等问题,在原本分辨率较低的人脸深度伪造图像中,局部有效特征信息的丢失会对分类准确度...图像分类任务中,在使用卷积神经网络提取图像特征信息时,通过最大池化和下采样的操作提高模型感受野的同时会带来特征图分辨率下降、上下文信息丢失等问题,在原本分辨率较低的人脸深度伪造图像中,局部有效特征信息的丢失会对分类准确度带来较大的影响。基于以上存在的问题,文中提出基于空洞卷积多尺度信息融合的人脸深度伪造检测方法。该方法采用全卷积Resnet34模型和基于空洞卷积的多通道特征融合的结构,利用空洞卷积网络在提高网络感受野的同时不丢失特征图信息的优势,融合多尺度空间特征信息,最大程度地捕捉图像上下文信息。实验在Faceforensic++、Celeb⁃deepfakeforensics、Deepfake in the wild、DFDC previous数据集上均取得比当前其他方法更好的效果。实验结果表明,提取高层语义信息后进行多尺度特征融合,可以提高分辨率低的人脸深度伪造图像的分类效果。展开更多
小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YO...小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC(YOLO for Pak Choi)小白菜虫害识别模型。首先,引入CBAM(convolutional block attention module)注意力机制,将其放在CBS(卷积层Convolution+归一化层Batch normalization+激活函数层SILU)的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度均值(mean average precision, mAP)达到91.4%,提高了12.9%;每秒传输帧数(Frame Per Second, FPS)为58.82帧/s,增加了11.2帧/s,增加幅度达23.53%;参数量仅为14.4 M,降低了25.78%。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度均值分别高出20.1%、24.6%、14%、13.4%和13.3%,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。展开更多
随着图像数据的爆炸性增长,图像处理变得越来越重要。显著性目标检测是图像处理的重要研究方向之一,目前已采用多种研究方法进行显著性目标检测,但是传统的显著性检测方法所使用的低级特征对于复杂场景并不健壮。全卷积神经网络在图像...随着图像数据的爆炸性增长,图像处理变得越来越重要。显著性目标检测是图像处理的重要研究方向之一,目前已采用多种研究方法进行显著性目标检测,但是传统的显著性检测方法所使用的低级特征对于复杂场景并不健壮。全卷积神经网络在图像处理中表现出良好的性能,但存在目标显著性检测边界模糊等不足。为解决边界模糊等问题,该模型采用了一种具有跳跃连接的全卷积神经网络,以及5个不同膨胀率的空洞卷积按照一定规则组成的ESP模块,在全卷积神经网络的基础上采用ESP模块和不同的跳跃连接方式,以获取更多的低级特征来精确多目标显著对象的边界。实验中运用MIT Scene Parsing数据集训练和测试模型,通过与相关模型在精度和MIOU上的比较结果表明,在保证模型的处理时间未增加的同时,经过改进的全卷积神经网络的检测具有更高的准确度以及更精确的边界信息。展开更多
基于机器视觉的水下垃圾清理机器人已经成为修复海洋生态的一种有效手段,但是由于复杂的水下环境会造成采集图像的分辨率较低,导致垃圾检测精度较低。针对上述问题,提出一种基于改进YOLOX-S网络的水下垃圾检测算法,该算法通过采用空间...基于机器视觉的水下垃圾清理机器人已经成为修复海洋生态的一种有效手段,但是由于复杂的水下环境会造成采集图像的分辨率较低,导致垃圾检测精度较低。针对上述问题,提出一种基于改进YOLOX-S网络的水下垃圾检测算法,该算法通过采用空间到深度卷积模块代替下采样模块提高了图像中物体有效特征的提取能力,提升了其检测精度;主干网络引入空洞空间卷积池化金字塔模块增强了深层特征提取能力,以及颈部网络引入轻量化幽灵混洗卷积模块和Vov幽灵混洗跨阶段瓶颈模块获取了更多的多尺度特征信息,进一步提升检测精度。实验结果表明,在YOLOX网络中引入空间到深度卷积模块、幽灵混洗卷积模块和Vov幽灵混洗跨阶段瓶颈模块、空洞空间卷积池化金字塔模块均可提高YOLOX模型的检测精度。改进后YOLOX-S模型的平均精度均值(mean average precision,mAP)达到了67.4%,较原YOLOX-S模型提高了3.1%,有效提升了复杂海洋环境中的垃圾检测能力。展开更多
文摘图像分类任务中,在使用卷积神经网络提取图像特征信息时,通过最大池化和下采样的操作提高模型感受野的同时会带来特征图分辨率下降、上下文信息丢失等问题,在原本分辨率较低的人脸深度伪造图像中,局部有效特征信息的丢失会对分类准确度带来较大的影响。基于以上存在的问题,文中提出基于空洞卷积多尺度信息融合的人脸深度伪造检测方法。该方法采用全卷积Resnet34模型和基于空洞卷积的多通道特征融合的结构,利用空洞卷积网络在提高网络感受野的同时不丢失特征图信息的优势,融合多尺度空间特征信息,最大程度地捕捉图像上下文信息。实验在Faceforensic++、Celeb⁃deepfakeforensics、Deepfake in the wild、DFDC previous数据集上均取得比当前其他方法更好的效果。实验结果表明,提取高层语义信息后进行多尺度特征融合,可以提高分辨率低的人脸深度伪造图像的分类效果。
文摘小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC(YOLO for Pak Choi)小白菜虫害识别模型。首先,引入CBAM(convolutional block attention module)注意力机制,将其放在CBS(卷积层Convolution+归一化层Batch normalization+激活函数层SILU)的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度均值(mean average precision, mAP)达到91.4%,提高了12.9%;每秒传输帧数(Frame Per Second, FPS)为58.82帧/s,增加了11.2帧/s,增加幅度达23.53%;参数量仅为14.4 M,降低了25.78%。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度均值分别高出20.1%、24.6%、14%、13.4%和13.3%,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。
文摘随着图像数据的爆炸性增长,图像处理变得越来越重要。显著性目标检测是图像处理的重要研究方向之一,目前已采用多种研究方法进行显著性目标检测,但是传统的显著性检测方法所使用的低级特征对于复杂场景并不健壮。全卷积神经网络在图像处理中表现出良好的性能,但存在目标显著性检测边界模糊等不足。为解决边界模糊等问题,该模型采用了一种具有跳跃连接的全卷积神经网络,以及5个不同膨胀率的空洞卷积按照一定规则组成的ESP模块,在全卷积神经网络的基础上采用ESP模块和不同的跳跃连接方式,以获取更多的低级特征来精确多目标显著对象的边界。实验中运用MIT Scene Parsing数据集训练和测试模型,通过与相关模型在精度和MIOU上的比较结果表明,在保证模型的处理时间未增加的同时,经过改进的全卷积神经网络的检测具有更高的准确度以及更精确的边界信息。
文摘基于机器视觉的水下垃圾清理机器人已经成为修复海洋生态的一种有效手段,但是由于复杂的水下环境会造成采集图像的分辨率较低,导致垃圾检测精度较低。针对上述问题,提出一种基于改进YOLOX-S网络的水下垃圾检测算法,该算法通过采用空间到深度卷积模块代替下采样模块提高了图像中物体有效特征的提取能力,提升了其检测精度;主干网络引入空洞空间卷积池化金字塔模块增强了深层特征提取能力,以及颈部网络引入轻量化幽灵混洗卷积模块和Vov幽灵混洗跨阶段瓶颈模块获取了更多的多尺度特征信息,进一步提升检测精度。实验结果表明,在YOLOX网络中引入空间到深度卷积模块、幽灵混洗卷积模块和Vov幽灵混洗跨阶段瓶颈模块、空洞空间卷积池化金字塔模块均可提高YOLOX模型的检测精度。改进后YOLOX-S模型的平均精度均值(mean average precision,mAP)达到了67.4%,较原YOLOX-S模型提高了3.1%,有效提升了复杂海洋环境中的垃圾检测能力。
