利用逆P-集合,提出函数逆P-集合。函数逆P-集合是把函数概念引入到逆P-集合内,改进逆P-集合得到的。函数逆P-集合具有动态特征和规律(函数)特征。函数逆P-集合是由函数内逆P-集合S珔F与函数外逆P-集合S珔F珔构成的函数集合对;或者,(S珔F...利用逆P-集合,提出函数逆P-集合。函数逆P-集合是把函数概念引入到逆P-集合内,改进逆P-集合得到的。函数逆P-集合具有动态特征和规律(函数)特征。函数逆P-集合是由函数内逆P-集合S珔F与函数外逆P-集合S珔F珔构成的函数集合对;或者,(S珔F,珔SF珔)是函数逆P-集合。在一定条件下,函数逆P-集合(S珔F,S珔F珔)被还原成有限普通函数集合S。逆P-集合是把动态特征引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。函数逆P-集合具有与函数P-集合相反的动态特征、规律(函数)特征。本文给出函数逆P-集合的结构、还原和它的函数等价类特征。利用数据拆分-合成原理,给出逆P-信息规律融合与它的生成;给出逆P-信息规律融合的属性特征与属性定理。利用这些结果,给出逆P-信息规律融合生成的隐形信息图像与它的应用。函数逆P-集合与函数P-集合是两个独立的、特征不同的新模型。展开更多
针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失...针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。展开更多
船舶检测在军事侦察、海上目标跟踪、海上交通管制等任务中发挥着重要作用。然而,受船舶外形尺度多变和复杂海面背景的影响,在复杂海面上检测多尺度船舶仍然是一个挑战。针对此难题,提出了一种基于多层信息交互融合和注意力机制的YOLOv...船舶检测在军事侦察、海上目标跟踪、海上交通管制等任务中发挥着重要作用。然而,受船舶外形尺度多变和复杂海面背景的影响,在复杂海面上检测多尺度船舶仍然是一个挑战。针对此难题,提出了一种基于多层信息交互融合和注意力机制的YOLOv4改进方法。该方法主要通过多层信息交互融合(multi-layer information interactive fusion,MLIF)模块和多注意感受野(multi-attention receptive field,MARF)模块构建一个双向细粒度特征金字塔。其中,MLIF模块用于融合不同尺度的特征,不仅能将深层的高级语义特征串联在一起,而且将较浅层的丰富特征进行重塑;MARF由感受野模块(receptive field block,RFB)与注意力机制模块组成,能有效地强调重要特征并抑制冗余特征。此外,为了进一步评估提出方法的性能,在新加坡海事数据集(Singapore maritime dataset,SMD)上进行了实验。实验结果表明,所提方法能有效地解决复杂海洋环境下多尺度船舶检测的难题,且同时满足了实时需求。展开更多
文摘利用逆P-集合,提出函数逆P-集合。函数逆P-集合是把函数概念引入到逆P-集合内,改进逆P-集合得到的。函数逆P-集合具有动态特征和规律(函数)特征。函数逆P-集合是由函数内逆P-集合S珔F与函数外逆P-集合S珔F珔构成的函数集合对;或者,(S珔F,珔SF珔)是函数逆P-集合。在一定条件下,函数逆P-集合(S珔F,S珔F珔)被还原成有限普通函数集合S。逆P-集合是把动态特征引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。函数逆P-集合具有与函数P-集合相反的动态特征、规律(函数)特征。本文给出函数逆P-集合的结构、还原和它的函数等价类特征。利用数据拆分-合成原理,给出逆P-信息规律融合与它的生成;给出逆P-信息规律融合的属性特征与属性定理。利用这些结果,给出逆P-信息规律融合生成的隐形信息图像与它的应用。函数逆P-集合与函数P-集合是两个独立的、特征不同的新模型。
文摘针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。
文摘船舶检测在军事侦察、海上目标跟踪、海上交通管制等任务中发挥着重要作用。然而,受船舶外形尺度多变和复杂海面背景的影响,在复杂海面上检测多尺度船舶仍然是一个挑战。针对此难题,提出了一种基于多层信息交互融合和注意力机制的YOLOv4改进方法。该方法主要通过多层信息交互融合(multi-layer information interactive fusion,MLIF)模块和多注意感受野(multi-attention receptive field,MARF)模块构建一个双向细粒度特征金字塔。其中,MLIF模块用于融合不同尺度的特征,不仅能将深层的高级语义特征串联在一起,而且将较浅层的丰富特征进行重塑;MARF由感受野模块(receptive field block,RFB)与注意力机制模块组成,能有效地强调重要特征并抑制冗余特征。此外,为了进一步评估提出方法的性能,在新加坡海事数据集(Singapore maritime dataset,SMD)上进行了实验。实验结果表明,所提方法能有效地解决复杂海洋环境下多尺度船舶检测的难题,且同时满足了实时需求。
