期刊文献+
共找到10篇文章
< 1 >
每页显示 20 50 100
融合注意力的多尺度Faster RCNN的裂纹检测 认领
1
作者 陈海永 赵鹏 闫皓炜 《光电工程》 CAS 北大核心 2021年第1期61-71,共11页
电致发光(Electroluminescence,EL)下的光伏电池EL图像背景表现为复杂的非均匀纹理特征,且存在与裂纹相似的晶粒伪缺陷,同时裂纹表现为形状多样的多尺度特征,以上难点为检测任务带来了极大的挑战。因此,本文提出融合注意力的多尺度Faste... 电致发光(Electroluminescence,EL)下的光伏电池EL图像背景表现为复杂的非均匀纹理特征,且存在与裂纹相似的晶粒伪缺陷,同时裂纹表现为形状多样的多尺度特征,以上难点为检测任务带来了极大的挑战。因此,本文提出融合注意力的多尺度Faster-RCNN模型,一方面,采用改进的特征金字塔网络获取多尺度的高级语义特征图,以此来提高网络对多尺度裂纹缺陷的特征表达能力。另一方面,采用改进的注意力区域推荐网络A-RPN,提高模型对裂纹缺陷的关注并抑制复杂背景及晶粒伪缺陷的特征。同时,在RPN网络训练过程中,采用损失函数Focal loss,以此来降低训练过程中简单样本所占比重,使其更加关注难以区分的样本。实验结果表明,改进的算法使得EL图像裂纹缺陷检测的准确率提高,达到接近95%。 展开更多
关键词 多尺度特征提取 注意力模块 Focal loss函数
在线阅读 下载PDF
一种改进YOLOv3的手势识别算法 认领
2
作者 睢丙东 张湃 王晓君 《河北科技大学学报》 CAS 2021年第1期22-29,共8页
为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为... 为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为坐标误差损失函数,用改进后的Focal损失函数作为边界框置信度损失函数,目标分类损失函数以交叉熵作为损失函数。结果表明,将改进的YOLOv3手势识别算法用于手势检测中,mAP指标达到90.38%,较改进前提升了6.62%,FPS也提升了近2倍。采用改进的YOLOv3方法训练得到的新模型,识别手势精度更高,检测速度更快,整体识别效率大幅提升,平衡了简单样本和困难样本的损失权重,有效提高了模型的训练质量和泛化能力。 展开更多
关键词 计算机神经网络 YOLOv3 目标检测 手势识别 DIoU Focal损失函数
在线阅读 下载PDF
基于双注意力机制的遥感图像目标检测 认领
3
作者 周幸 陈立福 《计算机与现代化》 2020年第8期1-7,共7页
针对遥感图像在复杂背景下小目标检测精度较低的问题,提出一种基于双注意力机制模型的SSD检测算法。该算法在前端特征提取网络中引入双注意力机制模型,强化低层特征图中小目标的有效特征信息并抑制冗余的语义信息,实现自适应特征学习;... 针对遥感图像在复杂背景下小目标检测精度较低的问题,提出一种基于双注意力机制模型的SSD检测算法。该算法在前端特征提取网络中引入双注意力机制模型,强化低层特征图中小目标的有效特征信息并抑制冗余的语义信息,实现自适应特征学习;并在空间注意力模型中引入空洞卷积,保证卷积核感受野的同时减少了网络参数。引入Focal loss损失函数作为改进算法的分类损失函数,改善网络在训练过程中样本失衡的问题,增加正样本与难样本在训练时的权重比例,提升算法的检测性能。对遥感图像数据集NWPU VHR-10进行检测的结果表明,本文的改进算法在保证检测速度的同时提高了检测精度。与传统SSD算法相比,改进SSD算法的mAP提高了2.25个百分点,达到79.65%。 展开更多
关键词 深度学习 目标检测 特征提取 双注意力机制模型 空洞卷积 Focal loss损失函数
在线阅读 免费下载
基于YOLO v3算法改进的交通标志识别算法 认领 被引量:1
4
作者 江金洪 鲍胜利 +1 位作者 史文旭 韦振坤 《计算机应用》 CSCD 北大核心 2020年第8期2472-2478,共7页
针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点... 针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比(GIoU)损失替换均方误差(MSE)损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值(mAP)指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数(FPS)亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。 展开更多
关键词 交通标志识别 YOLO v3算法 广义交并比 深度可分离卷积 损失函数 Focal损失
在线阅读 下载PDF
Focal损失在图像情感分析上的应用研究 认领
5
作者 傅博文 唐向宏 肖涛 《计算机工程与应用》 CSCD 北大核心 2020年第10期179-184,共6页
充分利用Focal损失函数具有挖掘困难样本和调节样本不平衡问题的特性,将其应用在基于神经网络的图像情感分析模型中。为了缓解训练数据集的类别样本不平衡问题,提升情感分类模型的训练效率,对Focal损失函数中参数设置进行了改进。该方... 充分利用Focal损失函数具有挖掘困难样本和调节样本不平衡问题的特性,将其应用在基于神经网络的图像情感分析模型中。为了缓解训练数据集的类别样本不平衡问题,提升情感分类模型的训练效率,对Focal损失函数中参数设置进行了改进。该方法通过类别权重大小来确定平衡参数α,并在神经网络模型训练的不同阶段,采用渐增方式对聚焦因子γ进行调节,然后将改进的Focal损失函数应用于图像情感分析模型的神经网络训练中。仿真实验表明,相比于交叉熵损失函数,改进的Focal损失函数能够提升神经网络对图像情感分析的性能。实验结果表明,所采用方法的准确率、宏召回率、宏精准率分别提升了0.5~2.3个百分点、0.4~3.9个百分点、0.5~3.3个百分点。 展开更多
关键词 图像情感分析 情感图像数据集 卷积神经网络 样本不平衡 Focal损失函数
在线阅读 下载PDF
一种双视图信息融合的乳腺肿块自动检测算法 认领
6
作者 蒋慧琴 王博霖 +2 位作者 马岭 于湛 徐红卫 《郑州大学学报:理学版》 CAS 北大核心 2020年第4期28-36,共9页
针对基于单视图的深度学习乳腺肿块检测算法假阳性率较高问题,提出一种双视图信息融合的乳腺肿块自动检测算法。首先建立双曲正割模型,利用互相关法自动搜索乳腺X线摄影图像中的肿块感兴趣区域,并根据胸壁线、乳头位置在双侧头尾位和内... 针对基于单视图的深度学习乳腺肿块检测算法假阳性率较高问题,提出一种双视图信息融合的乳腺肿块自动检测算法。首先建立双曲正割模型,利用互相关法自动搜索乳腺X线摄影图像中的肿块感兴趣区域,并根据胸壁线、乳头位置在双侧头尾位和内外侧斜位图像上建立物理坐标系,筛选标注假阳性区域以在数据层扩充监督学习信息;其次,设计空间金字塔池化模块有效融合基于YOLOv3主干网络提取的多尺度局部特征以提高检测敏感性;最后,在类别损失函数中增加聚焦参数,通过调节算法学习过程以提高检测特异性。充分利用双视图数据提供的先验信息提高检测正确率,实验结果表明检测敏感性达到92.0%,特异性达到87.7%,平均每幅图像假阳性0.041个,其检测性能较原模型大幅提升,且具有较好的鲁棒性。 展开更多
关键词 乳腺癌 乳腺X线摄影 计算机辅助诊断 双视图 YOLOv3 faster-RCNN 空间金字塔池化 聚焦损失函数
在线阅读 免费下载
基于改进深度相对距离学习框架的车辆再识别算法 认领
7
作者 胡聪 李超 +2 位作者 周甜 朱爱军 许川佩 《仪器仪表学报》 EI CAS CSCD 北大核心 2020年第12期245-252,共8页
随着智慧交通的快速发展,摄像头下的车辆重新识别任务受到了计算机视觉界研究者的高度关注。本文提出一种基于改进深度相对距离学习模型的车辆再识别算法。首先,针对原先深度相对距离学习框架中特征提取网络简单、难以提取车辆特征,提... 随着智慧交通的快速发展,摄像头下的车辆重新识别任务受到了计算机视觉界研究者的高度关注。本文提出一种基于改进深度相对距离学习模型的车辆再识别算法。首先,针对原先深度相对距离学习框架中特征提取网络简单、难以提取车辆特征,提出采用RepNet网络替代原网络架构中的网络。然后,提出在模型中使用焦点损失函数Focal Loss,减少简单样本在训练中所占的权重,解决在车辆再识别数据库中常会出现的正负样本不平衡问题。最后,利用余弦相似度量判断图像之间的相似度。在VehicleID数据集上的实验表明,所提算法的模型车辆型号识别率为98.18%,较原DRDL模型提高了约14.7%,车辆颜色的识别率是96.28%。在车辆再识别任务中,所用模型的MAP值达0.709,较原模型提高约0.16,证明了所提算法的有效性。 展开更多
关键词 卷积神经网络 车辆再识别 细粒度学习 焦点损失函数
计及样本不平衡与重叠的暂态稳定评估方法 认领 被引量:1
8
作者 李楠 李保罗 +1 位作者 朱建华 李天云 《电力系统自动化》 EI CSCD 北大核心 2020年第21期64-71,共8页
交直流混联系统的稳定性分析复杂且样本不平衡,当前基于数据挖掘的暂态稳定评估方法只追求对不稳定样本的识别精度,忽略了重叠区域样本难分类的问题,导致其综合性能未得到实质性的提升。针对此问题,提出一种计及样本不平衡与重叠的暂态... 交直流混联系统的稳定性分析复杂且样本不平衡,当前基于数据挖掘的暂态稳定评估方法只追求对不稳定样本的识别精度,忽略了重叠区域样本难分类的问题,导致其综合性能未得到实质性的提升。针对此问题,提出一种计及样本不平衡与重叠的暂态稳定评估方法。所提方法通过焦点损失函数来修正轻梯度提升机(LightGBM),自动根据样本的类别以及是否处于重叠区域中的“灰色地带”赋予其不同的权重,从而优化梯度下降的方向。该方法在提升对不稳定样本识别精度的同时,也减少了对稳定样本的误判。在修改的IEEE 68节点系统和中国某省级电网上的算例表明,所提方法在含有噪声且不平衡的数据集上有良好的评估性能。 展开更多
关键词 交直流混联系统 暂态稳定评估 重叠区域样本 样本不平衡 焦点损失函数 轻梯度提升机
改进损失函数的Yolov3车型检测算法 认领 被引量:1
9
作者 徐义鎏 贺鹏 《信息通信》 2019年第12期4-7,共4页
针对yolov3算法应用于车辆类型检测中速度较快但精度相对较低的问题,提出在原始yolov3算法中使用GIoU代替均方差损失函数作为边界框回归损失函数,在边界框置信度损失函数中融入focal loss损失函数两种损失函数改进方法。实验结果表明改... 针对yolov3算法应用于车辆类型检测中速度较快但精度相对较低的问题,提出在原始yolov3算法中使用GIoU代替均方差损失函数作为边界框回归损失函数,在边界框置信度损失函数中融入focal loss损失函数两种损失函数改进方法。实验结果表明改进后的yolov3模型在保持速度不变的情况下精度得到显著提升,在交通车型数据集中mAP值相比原始yolv3模型上升了3.62%,具有一定优势。 展开更多
关键词 GIoU FOCAL LOSS yolov3 目标检测 损失函数
在线阅读 下载PDF
一种改进的RefineDet多尺度人脸检测方法 认领 被引量:2
10
作者 孙贵华 陈淑荣 《电子技术应用》 2019年第8期34-39,共6页
针对车站、商场等大型场所中客流量大、背景复杂等原因导致多尺度人脸检测精度低的问题,建立了一种基于RefineDet多层特征图融合的多尺度人脸检测方法。首先利用第一级网络进行特征提取并在不同尺度的特征图上粗略预估人脸位置;然后在... 针对车站、商场等大型场所中客流量大、背景复杂等原因导致多尺度人脸检测精度低的问题,建立了一种基于RefineDet多层特征图融合的多尺度人脸检测方法。首先利用第一级网络进行特征提取并在不同尺度的特征图上粗略预估人脸位置;然后在第二级中通过特征金字塔网络将低层特征与高层特征融合,进一步增强小尺寸人脸的语义信息;最后,通过置信度和焦点损失函数对检测框进行二次抑制,达到边框的精确回归。实验中将人脸候选区域的宽高比只设置为1:1,以此来降低运算量并提高人脸检测精度。在WiderFace数据集上的实验结果表明,该方法能有效检测不同尺度的人脸,在Easy、Medium、Hard3个子数据集上测试结果分别为93.4%、92%、84.4%的MAP,尤其对小尺寸人脸的检测精度有明显提高。 展开更多
关键词 多尺度 人脸检测 特征图融合 RefineDet 特征金字塔网络 焦点损失函数
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部 意见反馈