期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
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46篇文章
< 1 2 3 >
每页显示 20 50 100
已选0条
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：
High-Quality Single-Pixel Imaging Based on Large-Kernel Convolution under Low-Sampling Conditions 认领 引用
1
作者 Chenyu Yuan Yuanhao Su Chunfang Wang 《Chinese Physics Letters》 SCIE EI CAS CSCD 2025年第4期55-61,共7页
In recent years,deep learning has been introduced into the field of Single-pixel imaging(SPI),garnering significant attention.However,conventional networks still exhibit limitations in preserving image details.To addr... In recent years,deep learning has been introduced into the field of Single-pixel imaging(SPI),garnering significant attention.However,conventional networks still exhibit limitations in preserving image details.To address this issue,we integrate Large Kernel Convolution(LKconv)into the U-Net framework,proposing an enhanced network structure named U-LKconv network,which significantly enhances the capability to recover image details even under low sampling conditions. 展开更多
关键词 large kernel convolution lkconv recover image details U lkconv network high quality single pixel imaging U Net low sampling conditions enhanced network structure large kernel convolution
暂未订购 下载PDF
Multi-Scale Adaptive Large Kernel Graph Convolutional Network for Skeleton-Based Action Recognition 认领 引用
2
作者 Yu-Qing Zhang Chen Pang +2 位作者 Pei Geng Xue-Quan Lu Lei Lyu 《Journal of Computer Science & Technology》 SCIE EI CSCD 2025年第5期1285-1300,共16页
Graph convolutional networks(GCNs)have become a dominant approach for skeleton-based action recognition tasks.Although GCNs have made significant progress in modeling skeletons as spatial-temporal graphs,they often re... Graph convolutional networks(GCNs)have become a dominant approach for skeleton-based action recognition tasks.Although GCNs have made significant progress in modeling skeletons as spatial-temporal graphs,they often require stacking multiple graph convolution layers to effectively capture long-distance relationships among nodes.This stacking not only increases computational burdens but also raises the risk of over-smoothing,which can lead to the neglect of crucial local action features.To address this issue,we propose a novel multi-scale adaptive large kernel graph convolutional network(MSLK-GCN)to effectively aggregate local and global spatio-temporal correlations while maintaining the computational efficiency.The core components of the network include two multi-scale large kernel graph convolution(LKGC)modules,a multi-channel adaptive graph convolution(MAGC)module,and a multi-scale temporal self-attention convolution(MSTC)module.The LKGC module adaptively focuses on active motion regions by utilizing a large convolution kernel and a gating mechanism,effectively capturing long-distance dependencies within the skeleton sequence.Meanwhile,the MAGC module dynamically learns relationships between different joints by adjusting connection weights between nodes.To further enhance the ability to capture temporal dynamics,the MSTC module effectively aggregates the temporal information by integrating Efficient Channel Attention(ECA)with multi-scale convolution.In addition,we use a multi-stream fusion strategy to make full use of different modal skeleton data,including bone,joint,joint motion,and bone motion.Exhaustive experiments on three scale-varying datasets,i.e.,NTU-60,NTU-120,and NW-UCLA,demonstrate that our MSLK-GCN can achieve state-of-the-art performance with fewer parameters. 展开更多
关键词 skeleton-based action recognition graph convolutional network(GCN) multi-scale large kernel attention
暂未订购 下载PDF
基于改进YOLOv8的皮肤黑色素瘤图像分割算法 认领 引用 被引量：3
3
作者 顾群 随思懿 +2 位作者 王瑞 张海 许天鹏 《计算机工程》 CAS CSCD 北大核心 2026年第3期429-440,共12页
针对现有很多皮肤黑色素瘤图像分割算法因病灶区域形状多样、边缘模糊导致分割结果不精准的问题,基于YOLOv8提出一种结合多尺度特征提取和边缘分割增强的皮肤黑色素瘤分割算法YOLOv8-Skin。首先,将YOLOv8的主干网络CSPDarkNet53更换为... 针对现有很多皮肤黑色素瘤图像分割算法因病灶区域形状多样、边缘模糊导致分割结果不精准的问题,基于YOLOv8提出一种结合多尺度特征提取和边缘分割增强的皮肤黑色素瘤分割算法YOLOv8-Skin。首先,将YOLOv8的主干网络CSPDarkNet53更换为更适合医学图像分割的U-Net v2网络,使得在低级特征中注入丰富的语义信息,同时精细化高级特征,从而实现对皮肤黑色素瘤图像中对象边界的精确勾画和小结构的有效提取;其次,在颈部的C2f中引入可变形大核注意力(D-LKA)机制,通过使用可变形卷积提升模型对于不规则图像结构信息的捕捉能力,并利用大核卷积融合不同层次的特征;最后,在头部引入多样化分支块(DBB)形成新的分割头,通过结合不同规模和复杂度的多样化分支增强单个卷积的表示能力,从而增强模型对于病灶区域的特征提取。实验结果表明,YOLOv8-Skin的Dice系数、特异性、灵敏度、准确度在ISIC2017数据集上分别达到88.86%、91.34%、97.24%、96.29%,在ISIC2018数据集上分别达到91.64%、95.42%、96.69%、95.83%,在PH2数据集上分别达到95.92%、95.43%、97.02%、96.13%,具有更强的分割性能,能够更好地适用于皮肤黑色素瘤分割任务。 展开更多
关键词 YOLOv8网络 皮肤黑色素瘤分割 U-Net v2网络 可变形大核注意力机制 多样化分支块
暂未订购 下载PDF
基于GAF-RepLKNet的平头铣刀磨损状态检测方法研究 认领 引用
4
作者 汪静姝 潘星合 +1 位作者 王清峰 马婧华 《振动与冲击》 EI CSCD 北大核心 2026年第9期108-114,共7页
为了提高铣削加工的质量和效率,对加工过程中的刀具磨损状况进行实时检测至关重要,铣削过程中的振动信号常被用于刀具磨损状况检测,然而如何提取振动信号的有效特征并建立高准确度的刀具磨损状况检测方法是当前的研究重点。使用格拉姆角... 为了提高铣削加工的质量和效率,对加工过程中的刀具磨损状况进行实时检测至关重要,铣削过程中的振动信号常被用于刀具磨损状况检测,然而如何提取振动信号的有效特征并建立高准确度的刀具磨损状况检测方法是当前的研究重点。使用格拉姆角场(Gramian angular field, GAF)对一维振动信号进行升维,从而提高信号的表征能力,再利用重参数化大核卷积网络(re-parameterized large kernel network, RepLKNet)自动捕捉和提取GAF图像的特征,进而建立特征与刀具磨损状况的映射关系,最后通过铣削试验和对比试验对模型进行验证。验证结果表明,该方法对不同铣刀磨损状况识别准确率达到98.5%,相比传统的2D卷积神经网络模型和使用一维信号作为输入的RepLKNet模型具有更好的准确性和可靠性。 展开更多
关键词 刀具磨损预测 格拉姆角场(GAF) 重参数化大核卷积网络(RepLKNet)模型
暂未订购 下载PDF
基于改进YOLOv5的遥感图像目标检测算法 认领 引用
5
作者 金梅 王泓沣 +2 位作者 张立国 张琦 袁煜淋 《燕山大学学报》 CAS 北大核心 2026年第2期130-137,共8页
针对遥感图像目标排列密集、尺度差异大、背景复杂等原因导致目标检测精度低的问题,提出了一种基于改进YOLOv5的遥感图像目标检测算法。首先,基于YOLOv5网络框架,在特征融合网络C3结构的基础上加入了三重注意力机制,提高模型的特征融合... 针对遥感图像目标排列密集、尺度差异大、背景复杂等原因导致目标检测精度低的问题,提出了一种基于改进YOLOv5的遥感图像目标检测算法。首先,基于YOLOv5网络框架,在特征融合网络C3结构的基础上加入了三重注意力机制,提高模型的特征融合能力。其次,在骨干网络以及特征融合网络中加入大选择性核网络,调整大空间感受野,更好地模拟遥感场景中各种物体的测距环境。接下来,将基于最小点的交并比作为新的边界框回归方式,提高边界框回归的速度和精度。最后,采用新的非极大抑制算法,以减少密集目标的漏检。将所提算法在公开遥感数据集DIOR上进行实验,结果表明,所提算法与原YOLOv5算法相比平均精度均值提高了6.6%,并且与其他YOLO检测算法及其改进算法相比,所提算法在所用的小样本数据集上检测精度最高。 展开更多
关键词 遥感图像 目标检测 三重注意力机制 大选择性核网络 边界框回归 非极大抑制
暂未订购 下载PDF
基于少样本的边坡形变检测方法研究 认领 引用
6
作者 黄海新 刘宇航 《通信与信息技术》 2026年第4期7-11,共5页
煤矿边坡形变检测对煤矿环境管理和人员安全等至关重要。煤矿边坡形变即裂隙检测存在数据集图片稀少不足,背景复杂、裂隙大小形状各异等问题,这将导致检测结果精度低,针对这些问题提出了基于改进的YOLOv11边坡形变检测基本模型。在该模... 煤矿边坡形变检测对煤矿环境管理和人员安全等至关重要。煤矿边坡形变即裂隙检测存在数据集图片稀少不足,背景复杂、裂隙大小形状各异等问题,这将导致检测结果精度低,针对这些问题提出了基于改进的YOLOv11边坡形变检测基本模型。在该模型中加入监督对比损失函数,提升泛化能力,解决了数据集图片稀少不足的问题;加入多尺度边缘增强模块MEEM,提高模型对复杂背景的适应能力,解决背景复杂问题;加入可变形大核注意力D-LKA,增强了对于目标形状和尺寸变化的适应能力,解决裂隙大小形状各异的问题。改进的模型在自建的数据集上的实验结果,表明改进算法相对于YOLOv11整体的准确率(Precision)提升了5.2%。 展开更多
关键词 边坡形变检测 YOLOv11网络 监督对比损失函数 多尺度边缘增强模块MEEM 可变形大核注意力Deform-able-LKA
暂未订购 下载PDF
An improved YOLOv8 apple leaf disease detection algorithm 认领 引用
7
作者 Xinyu PEI Wei YUAN +1 位作者 Yuexiu ZHANG Lianjun SONG 《Optoelectronics Letters》 EI 2026年第5期314-320,共7页
This paper suggests an improved you only look once version 8n(YOLOv8n)algorithm for apple leaf disease detection,abbreviated as ALWB-YOLOv8n.The model is comprised of four essential components.Initially,arbitrary kern... This paper suggests an improved you only look once version 8n(YOLOv8n)algorithm for apple leaf disease detection,abbreviated as ALWB-YOLOv8n.The model is comprised of four essential components.Initially,arbitrary kernel convolution(AKConv)replaces the convolution module,which significantly decreases both the model’s parameter count and its overall size.Secondly,the large selective kernel network(LSKNet)attention mechanism is added in the Backbone,which can dynamically adjust the spatial sensory domain,and experiments have proved that this method is extremely advantageous for small target detection.Third,a weighted bi-directional feature pyramid network is introduced,which enables the model to achieve multi-scale feature fusion and is more concise and faster.Finally,wise intersection over union(WIoU)is used to replace complete intersection over union(CIoU)in YOLOv8,and the idea of focal loss is introduced,which effectively solves the detection problems in cases such as apple leaves occluding each other and blurred boundaries of diseased leaves.The improved algorithm exhibits superior performance compared to other common object detection algorithms.Compared with YOLOv8n,the improved algorithm achieves 2.3%improvement in precision,3.8%improvement in recall,and 2.5%and 2.7%improvement in mAP0.5 and mAP0.5:0.95,respectively.Compared with YOLOv8n,the improved model reduces the number of parameters and size of the model and realizes real-time monitoring with a frames per second(FPS)of 50.5. 展开更多
关键词 large selective kernel network arbitrary kernel convolution large selective kernel network lsknet attention kernel convolution akconv replaces weighted bi directional feature pyramid network adjust spatial sensory domainand improved YOLOv n algorithm apple leaf disease detection
暂未订购 下载PDF
A Lightweight Network with Dual Encoder and Cross Feature Fusion for Cement Pavement Crack Detection 认领 引用 被引量：3
8
作者 Zhong Qu Guoqing Mu Bin Yuan 《Computer Modeling in Engineering & Sciences》 SCIE EI 2024年第7期255-273,共19页
Automatic crack detection of cement pavement chiefly benefits from the rapid development of deep learning,with convolutional neural networks(CNN)playing an important role in this field.However,as the performance of cr... Automatic crack detection of cement pavement chiefly benefits from the rapid development of deep learning,with convolutional neural networks(CNN)playing an important role in this field.However,as the performance of crack detection in cement pavement improves,the depth and width of the network structure are significantly increased,which necessitates more computing power and storage space.This limitation hampers the practical implementation of crack detection models on various platforms,particularly portable devices like small mobile devices.To solve these problems,we propose a dual-encoder-based network architecture that focuses on extracting more comprehensive fracture feature information and combines cross-fusion modules and coordinated attention mechanisms formore efficient feature fusion.Firstly,we use small channel convolution to construct shallow feature extractionmodule(SFEM)to extract low-level feature information of cracks in cement pavement images,in order to obtainmore information about cracks in the shallowfeatures of images.In addition,we construct large kernel atrous convolution(LKAC)to enhance crack information,which incorporates coordination attention mechanism for non-crack information filtering,and large kernel atrous convolution with different cores,using different receptive fields to extract more detailed edge and context information.Finally,the three-stage feature map outputs from the shallow feature extraction module is cross-fused with the two-stage feature map outputs from the large kernel atrous convolution module,and the shallow feature and detailed edge feature are fully fused to obtain the final crack prediction map.We evaluate our method on three public crack datasets:DeepCrack,CFD,and Crack500.Experimental results on theDeepCrack dataset demonstrate the effectiveness of our proposed method compared to state-of-the-art crack detection methods,which achieves Precision(P)87.2%,Recall(R)87.7%,and F-score(F1)87.4%.Thanks to our lightweight crack detectionmodel,the parameter count of the model in real-world detection scenarios has been significantly reduced to less than 2M.This advancement also facilitates technical support for portable scene detection. 展开更多
关键词 Shallow feature extraction module large kernel atrous convolution dual encoder lightweight network crack detection
暂未订购 下载PDF
基于图像融合和多模态特征驱动的电能质量扰动分类方法研究 认领 引用
9
作者 张正浩 吴柯鑫 +2 位作者 陈鹏 薛强 王硕禾 《太阳能学报》 EI CAS CSCD 北大核心 2026年第7期736-746,共11页
随着光伏接入的新型电力系统的不断发展,电能质量扰动(PQDs)的类型变得更加复杂,针对复合扰动占比的增加使得传统方法难以在人工经验指导下准确执行复杂的PQDs分类任务的问题,提出一种基于图像融合和多模态特征驱动的复杂PQDs分类方法... 随着光伏接入的新型电力系统的不断发展,电能质量扰动(PQDs)的类型变得更加复杂,针对复合扰动占比的增加使得传统方法难以在人工经验指导下准确执行复杂的PQDs分类任务的问题,提出一种基于图像融合和多模态特征驱动的复杂PQDs分类方法。在数据处理方面,引入二维图像编码方法,即递归图(RP)与连续小波变换(CWT)将一维PQDs信号转换为二维图像,并通过水平拼接产生RP-CWT特征图像,实现特征增强。在模型层面,建立重复层卷积网络(RepLKNet)和双向门控单元(BiGRU)并行优化的多模态融合的集成模型,同时考虑时域、频域、空间维度上的高维特征,能快速准确地识别信号中的扰动特征。最后,基于仿真数据和PQDs实验平台进行测试,结果表明所提方法可对复杂PQDs进行准确分类。 展开更多
关键词 电能质量扰动 多模态融合 连续小波变换 递归图 双向门控单元 重复层卷积网络
暂未订购 下载PDF
基于大核选择和形状自适应的遥感图像目标检测 认领 引用
10
作者 赵子澳 董爱华 黄荣 《宁夏大学学报（自然科学版中英文）》 CAS 2026年第1期33-41,共9页
光学遥感图像目标检测是遥感图像数据智能解译的关键技术。为了解决遥感图像目标检测时,目标尺度差异大,目标受背景因素干扰,目标形状各异的问题,提出了LMK(large multiscale kernel)网络。该网络通过大核卷积分解和多尺度注意力机制模... 光学遥感图像目标检测是遥感图像数据智能解译的关键技术。为了解决遥感图像目标检测时,目标尺度差异大,目标受背景因素干扰,目标形状各异的问题,提出了LMK(large multiscale kernel)网络。该网络通过大核卷积分解和多尺度注意力机制模块,能够动态调整空间感受野,从而更好地捕获遥感场景中物体的上下文信息。此外,设计了一种面向目标检测的形状自适应选择(SAS,shape-adaptive selection)标签分配策略。该策略将目标形状信息集中于长宽比,通过结合物体的形状信息和特征分布计算IoU(intersection over union)最优阈值。针对遥感图像目标姿态旋转定位难的问题,引入了KFIoU损失函数。实验结果表明,所提出的目标检测模型在HRSC2016、UCAS-AOD和DOTA数据集上的精度分别达到了96.73%、97.85%和77.26%。改进后的模型优于目前绝大多数目标检测算法。 展开更多
关键词 目标检测 深度学习 标签分配 多尺度注意力 大核网络
暂未订购 下载PDF
基于大核感知门控的遥感图像阴影检测方法 认领 引用
11
作者 朱文杰 陈浩 卢俊宏 《上海航天（中英文）》 CSCD 2026年第2期141-150,共10页
针对高分辨率遥感卫星影像中阴影检测任务面临的背景复杂、尺度多变及计算资源受限等问题,本文提出了一种基于大核感知(LKP)门控的轻量化阴影检测网络。该方法在编码阶段设计了一种大核门控卷积神经网络(CNN)作为骨干,利用大核深度卷积(... 针对高分辨率遥感卫星影像中阴影检测任务面临的背景复杂、尺度多变及计算资源受限等问题,本文提出了一种基于大核感知(LKP)门控的轻量化阴影检测网络。该方法在编码阶段设计了一种大核门控卷积神经网络(CNN)作为骨干,利用大核深度卷积(9×9~15×15)生成空间注意力权重门控小核卷积进行局部特征的提取,在显著降低参数量的同时有效捕获全局光照上下文与局部细节特征;在解码阶段,设计了双分支大核与小核感知模块,通过上下文分支与细节分支的并行处理及通道混洗(Channel Shuffle)策略,实现了深层语义与浅层纹理的高效融合。基于S-EO数据集的仿真实验表明:该模型在仅拥有13.46 M参数量的情况下,实现了95.13%的F1分数、90.73%的交并比(IoU)和26.22%的平衡误差率(BER)。 展开更多
关键词 遥感影像 阴影检测 大核卷积 特征融合 轻量化网络
暂未订购 下载PDF
基于改进YOLOv11n的煤矿带式输送机锚杆异物检测方法 认领 引用
12
作者 时志昂 张富凯 石嘉豪 《工矿自动化》 CSCD 北大核心 2026年第5期73-81,共9页
针对煤矿井下带式输送机锚杆异物检测受低照度、复杂背景及目标细长形态影响而易出现漏检、误检和边界框定位偏差的问题,提出了一种基于改进YOLOv11n的煤矿带式输送机锚杆异物检测方法。在YOLOv11n模型输入端引入自校准照明网络(SCINet)... 针对煤矿井下带式输送机锚杆异物检测受低照度、复杂背景及目标细长形态影响而易出现漏检、误检和边界框定位偏差的问题,提出了一种基于改进YOLOv11n的煤矿带式输送机锚杆异物检测方法。在YOLOv11n模型输入端引入自校准照明网络(SCINet),对低照度图像进行增强,以改善锚杆目标边缘与纹理细节不清晰的问题;在主干网络C3k2模块的Bottleneck分支中引入大核选择模块(LSK Block),构建C3k2_LSK模块替换部分传统卷积,增强模型对锚杆目标整体结构特征及其与背景空间关系的表征能力;采用InnerFocalerIoU损失函数优化边界框回归过程,提高对细长锚杆目标的定位精度。实验结果表明:改进YOLOv11n的精确率、召回率、mAP@0.5和mAP@0.5:0.95分别达90.5%,87.3%,92.8%和62.1%,较基线模型YOLOv11n分别提高了1.2%,2.1%,0.7%和1.7%;模型帧率达102.8帧/s,能够满足煤矿井下带式输送机锚杆异物在线检测任务的实时性要求;与主流目标检测模型相比,改进YOLOv11n模型在提升检测精度的同时,仍兼顾较好的实时性;在低照度、锚杆倾斜、目标与背景相似度高及局部遮挡等场景下,改进YOLOv11n模型能够稳定检测锚杆目标,检测框与目标区域匹配程度较高,表现出良好的复杂场景检测适应性。 展开更多
关键词 带式输送机 锚杆异物检测 YOLOv11n 自校准照明网络 大核选择模块 Inner-FocalerIoU损失函数
暂未订购 下载PDF
基于大选择核的脉冲神经网络目标检测方法 认领 引用
13
作者 蒲德昌 智晋宁 +3 位作者 魏亚博 达建恩 黄嘉璐 周东傲 《机械工程与自动化》 2026年第3期38-41,共4页
现有的人工神经网络(ANN)和脉冲神经网络(SNN)仍存在高延迟和高功耗的问题,为降低能耗并增加网络性能,提出了一种轻量化的直接训练脉冲神经网络目标检测模型。首先,以YOLOv3-Tiny作为基础网络结构,采用代理梯度深度训练方法,实现直接训... 现有的人工神经网络(ANN)和脉冲神经网络(SNN)仍存在高延迟和高功耗的问题,为降低能耗并增加网络性能,提出了一种轻量化的直接训练脉冲神经网络目标检测模型。首先,以YOLOv3-Tiny作为基础网络结构,采用代理梯度深度训练方法,实现直接训练的反向传播;其次,运用泄漏整合发射(LIF)脉冲神经元代替Leaky ReLU激活函数,将LIF神经元配置在卷积层之前,以降低计算能耗;最后,引入大选择核(LSK)注意力机制,以加强上下文信息提取和小目标检测的能力。实验结果表明:提出的目标检测方法和训练模型相比于同类结构的ANN模型,其平均精度均值提升了2.19个百分点,能量消耗相比同类结构ANN、基于转换的SNN和直接训练的SNN分别减少了71.6%、89.7%和68.8%,为高计算效率和低能耗硬件设备部署目标检测任务提供了可行的解决方案。 展开更多
关键词 脉冲神经网络 目标检测 大选择核注意力机制 YOLOv3-Tiny
暂未订购 下载PDF
基于自适应大核卷积和特征融合的视线估计 认领 引用
14
作者 李晓鹏 王演 刘教 《计算机工程与设计》 北大核心 2026年第2期495-502,共8页
针对视线估计在无约束环境中准确率不高的问题,提出了一种自适应大核卷积和自适应特征融合的全脸视线估计方法。改进残差网络,增加自适应大核卷积(ALK)进行多层次的特征提取,扩大CNN的感受野,有效捕捉面部区域的细节特征;增加自适应特... 针对视线估计在无约束环境中准确率不高的问题,提出了一种自适应大核卷积和自适应特征融合的全脸视线估计方法。改进残差网络,增加自适应大核卷积(ALK)进行多层次的特征提取,扩大CNN的感受野,有效捕捉面部区域的细节特征;增加自适应特征融合(AFF)模块,根据全局信息自适应地融合多尺度局部特征,增强模型对视线的表征能力。改进后的模型在MPIIFaceGaze数据集和Gaze360数据集上进行评估,在两个数据集上测试的视线估计平均角度误差分别为4.2°和10.65°。通过与其它模型进行比较,验证了改进后的模型能够较为准确地进行三维视线估计。 展开更多
关键词 视线估计 自适应大核卷积 特征融合 残差网络 特征提取 多尺度特征 注意力机制
暂未订购 下载PDF
基于双编码器的遥感影像语义分割网络设计 认领 引用
15
作者 王丹 刘浠辰 李犇 《计算机工程与设计》 北大核心 2026年第8期2314-2322,共9页
遥感影像中地物的特殊性会导致语义分割精度降低,为准确地将地物边界进行分割和标记,设计提出了具有双编码器的U-Net网络作为主体结构,构建了适用高分辨率遥感影像的网络模型。同时为减少了下采样过程中细节信息的丢失,提出一种新的DEAU... 遥感影像中地物的特殊性会导致语义分割精度降低,为准确地将地物边界进行分割和标记,设计提出了具有双编码器的U-Net网络作为主体结构,构建了适用高分辨率遥感影像的网络模型。同时为减少了下采样过程中细节信息的丢失,提出一种新的DEAU-Net遥感影像语义分割网络。基于VAN网络中的大核注意力机制,设计多尺度条状卷积,构建特征压缩模块,有效提高了对小尺度地物的分割精度。将MS-VAN的长距离依赖关系分层地集成到ResNet的特征中,充分获取了遥感影像的判别特征。通过对比分析,所设计的DEAU-Net分割网络在小规模地面物体中的表现具备明显优势。 展开更多
关键词 语义分割 双编码器聚合网络 遥感影像 双编码器 大核注意力机制 增值网络 小尺度地物
暂未订购 下载PDF
基于神经网络的网络流量分类算法 认领 引用
16
作者 蔡云冰 《智能计算机与应用》 2026年第2期84-89,共6页
在数字化转型背景下,全球网络流量快速增长对网络治理技术体系提出新挑战。为提升入侵检测系统效能,提高网络流量分类的准确性,本文提出基于YOLOv12改进的网络流量分类模型,通过引入高效多尺度注意力结构,在保持计算复杂度不变的情况下... 在数字化转型背景下,全球网络流量快速增长对网络治理技术体系提出新挑战。为提升入侵检测系统效能,提高网络流量分类的准确性,本文提出基于YOLOv12改进的网络流量分类模型,通过引入高效多尺度注意力结构,在保持计算复杂度不变的情况下有效解决了原有模型区域注意力机制在最终分类阶段的不足;同时采用C3K2_RepLKNet大卷积核架构扩展感受野,优化空间信息捕获能力,减少模型对局部纹理特征的过度依赖。实验结果表明,相较于现有技术方法,本文提出的模型在USTC-TFC2016基准数据集上取得了显著提升,其准确率、精确率、召回率和F1值分别达到99.22%、99.26%、99.17%和99.21%,充分展现了模型的卓越性能。本方法充分满足了网络流量分类领域对算法实时性和准确性的需求。 展开更多
关键词 网络流量分类 YOLOv12 高效多尺度注意力结构 大卷积核架构 USTC-TFC2016
暂未订购 下载PDF
基于EE-YOLOv8s的多场景火灾迹象检测算法 认领 引用 被引量：11
17
作者 崔克彬 耿佳昌 《图学学报》 CSCD 北大核心 2025年第1期13-27,共15页
针对目前烟火场景检测中,光照变化、烟火动态性、复杂背景、目标过小等干扰因素导致的火灾迹象目标误检和漏检的问题,提出一种YOLOv8s改进模型EE-YOLOv8s。设计MBConv-Block卷积模块融入YOLOv8的Backbone部分,实现EfficientNetEasy特征... 针对目前烟火场景检测中,光照变化、烟火动态性、复杂背景、目标过小等干扰因素导致的火灾迹象目标误检和漏检的问题,提出一种YOLOv8s改进模型EE-YOLOv8s。设计MBConv-Block卷积模块融入YOLOv8的Backbone部分,实现EfficientNetEasy特征提取网络,保证模型轻量化的同时,优化图像特征提取;引入大型可分离核注意力机制LSKA改进SPPELAN模块,将空间金字塔部分改进为SPP_LSKA_ELAN,充分捕获大范围内的空间细节信息,在复杂多变的火灾场景中提取更全面的特征,从而区分目标与相似物体的差异;Neck部分引入可变形卷积DCN和跨空间高效多尺度注意力EMA,实现C2f_DCN_EMA可变形卷积校准模块,增强对烟火目标边缘轮廓变化的适应能力,促进特征的融合与校准,突出目标特征;在Head部分增设携带有轻量级、无参注意力机制SimAM的小目标检测头,并重新规划检测头通道数,加强多尺寸目标表征能力的同时,降低冗余以提高参数有效利用率。实验结果表明,改进后的EE-YOLOv8s网络模型相较于原模型,其参数量减少了13.6%,准确率提升了6.8%,召回率提升了7.3%,mAP提升了5.4%,保证检测速度的同时,提升了火灾迹象目标的检测性能。 展开更多
关键词 烟火目标检测 EfficientNetEasy主干网络 大型可分离核注意力机制 可变形卷积校准模块 小目标检测
暂未订购 下载PDF
融合骨架大核算子和全局上下文信息的图卷积网络 认领 引用 被引量：1
18
作者 吴志泽 万龙 +4 位作者 洪芳华 汤正道 孙斐 邹乐 王晓峰 《中国图象图形学报》 CSCD 北大核心 2025年第11期3604-3616,共13页
目的骨架数据不仅体量轻巧,而且其内在的拓扑结构与图卷积网络(graph convolution network,GCN)高度契合,基于图卷积网络的骨架人体行为识别技术在行为识别领域得到广泛关注。然而,传统图卷积难以有效建模远距离节点关系,从而限制了其... 目的骨架数据不仅体量轻巧,而且其内在的拓扑结构与图卷积网络(graph convolution network,GCN)高度契合,基于图卷积网络的骨架人体行为识别技术在行为识别领域得到广泛关注。然而,传统图卷积难以有效建模远距离节点关系,从而限制了其在复杂动作识别中的表现,针对这一问题,提出一种融合骨架大核算子和上下文信息的骨架图卷积网络(skeleton large-kernel and contextual GCN,SLK-GCN)。方法该方法从两种不同的角度实现空间特征的增强。首先设计一种新颖的骨架大核卷积算子(skeleton-large kernel convolution,SLKC),通过扩大感受野并增强通道适应性,以增强空间特征提取能力。具体而言,SLKC通过引入大核卷积网络,模拟节点之间的远程依赖关系,从而提升模型在处理空间复杂性时的表现。同时,SLKC利用扩展的感受野捕捉更多的全局信息,增强特征提取的深度和广度。此外,引入轻量级的全局上下文建模模块(global context modeling,GCM),该模块能够自动学习和适应骨架拓扑结构,并从全局视角整合上下文特征。GCM通过捕捉不同节点之间的全局关系,进一步提升了模型的表征能力和鲁棒性。结果所提出的SLK-GCN在NTU RGB+D、NTU RGB+D 120和Northwestern-UCLA数据集上的准确率分别为96.8%(最高)、91.0%和96.8%(最高),实验结果表明,SLK-GCN在人体行为识别任务中表现出了显著的优势。结论SLKC与GCM的引入和结合,使得SLK-GCN在处理复杂骨架数据时能够更加有效地提取和利用空间特征。 展开更多
关键词 人体骨架 行为识别 图卷积网络(GCN) 上下文建模 大核卷积
暂未订购 下载PDF
基于改进的LSN-YOLOv8模型和无人机遥感图像的水稻稻曲病检测方法 认领 引用 被引量：2
19
作者 杨玉青 朱德泉 +4 位作者 刘凯旋 严从宽 孟凡凯 唐七星 廖娟 《江苏农业学报》 CSCD 北大核心 2025年第5期905-915,共11页
本研究针对无人机采集的水稻稻曲病图像中存在的背景复杂、病斑目标小且与背景表征相似等问题,构建了一种水稻稻曲病检测模型LSN-YOLOv8。该模型以YOLOv8模型为基本框架,在骨干网络中融入大选择性核网络(LSKNet),通过动态调整感受野范... 本研究针对无人机采集的水稻稻曲病图像中存在的背景复杂、病斑目标小且与背景表征相似等问题,构建了一种水稻稻曲病检测模型LSN-YOLOv8。该模型以YOLOv8模型为基本框架,在骨干网络中融入大选择性核网络(LSKNet),通过动态调整感受野范围增强模型对小目标的特征提取能力;在骨干网络中加入坐标注意力机制(CA)模块,将病斑空间位置信息与通道注意力相结合,增强模型对关键区域的关注度同时减少背景干扰;利用梯度加权类激活映射(Grad-CAM)技术实现检测过程的可视化分析,为模型决策提供直观解释。为验证模型性能,利用无人机拍摄不同发病时期、不同背景条件下的水稻稻曲病图像,构建水稻稻曲病数据集,用于模型训练与测试。试验结果表明,本研究提出的LSN-YOLOv8模型精准度、召回率和交并比阈值为0.50时的平均精度值均值(mAP50)分别为94.8%、87.3%和92.3%,均高于YOLOv5、YOLOv7、YOLOv8、Faster R-CNN模型等经典目标检测模型。梯度加权类激活映射(Grad-CAM)技术可视化分析结果表明,LSN-YOLOv8模型能够更准确地聚焦于图像中的病害区域。本研究提出的LSN-YOLOv8模型可为稻曲病监测、病害防治和水稻抗病性鉴定提供技术支持。 展开更多
关键词 稻曲病 病害识别 无人机 YOLOv8模型 大选择性核网络(LSKNet) 坐标注意力机制(CA)
暂未订购 下载PDF
基于YOLOv8改进的跌倒检测算法:CASL-YOLO 认领 引用 被引量：2
20
作者 徐慧英 赵蕊 +1 位作者 朱信忠 黄晓 《浙江师范大学学报（自然科学版）》 CAS 2025年第1期36-44,共9页
跌倒对老年人危害极大,是我国65岁以上老年人致残和伤害死亡的首要原因.然而,目前主流的跌倒检测技术受环境的干扰较大,在物体遮挡、光照变化等复杂场景下的检测准确率较低,且模型的参数量和计算量较高,导致成本居高不下,不能很好地部... 跌倒对老年人危害极大,是我国65岁以上老年人致残和伤害死亡的首要原因.然而,目前主流的跌倒检测技术受环境的干扰较大,在物体遮挡、光照变化等复杂场景下的检测准确率较低,且模型的参数量和计算量较高,导致成本居高不下,不能很好地部署应用于实际生活场景.针对上述问题,提出了一种在复杂环境下轻量级的基于YOLOv8模型改进的跌倒检测算法:CASL-YOLO.首先,该模型引入空间深度卷积(SPD-Conv)模块替代传统卷积模块,通过对每个特征映射进行卷积操作,保留通道维度中的全部信息,从而提高模型在低分辨率图像和小物体检测方面的性能;其次,引入基于位置信息的注意力机制,以捕获跨通道、方向和位置感知的信息,从而更准确地定位和识别人体目标;最后,在特征提取模块中引入选择性大卷积核(LSKNet)动态调整感受野,以有效处理跌倒检测场景中的复杂环境信息,提高网络的感知能力和检测精度.实验结果表明,在公开的Human Fall数据集上,CASL-YOLO的mAP@0.5达到96.8%,优于基线YOLOv8n,同时模型仅有3.4×MiB的参数量和11.7×109的计算量.相比其他检测算法,CASL-YOLO在参数量和计算量小幅增加的情况下,实现了更高的精度和性能,同时满足实际场景的部署要求. 展开更多
关键词 跌倒检测 YOLOv8 注意力机制 空间深度卷积 选择性大卷积核
暂未订购 下载PDF
已选0条
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 2 3 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈