Perovskite Self-Passivation with PCBM for Small Open-Circuit Voltage Loss

It is well known that [6,6]-phenyl-C61-butyric acid methyl ester (PCBM) is a common n-type passivation material in PSCs, usually used as an interface modification layer. However, PCBM is extremely expensive and is not suitable for future industrialization. Herein, the various concentrations of PCBM as an additive are adopted for PSCs. It not only avoids the routine process of spin coating the multi-layer films, but also reduces the PCBM material and cost. Meanwhile, PCBM can passivate the grain surface and modulate morphology of perovskite films. Furthermore, the most important optical parameters of solar cells, the current density (Jsc), fill factor (FF), open-circuit voltage (Voc) and power conversion efficiencies (PCE) were improved. Especially, when the PCBM doping ratio in CH3NH3PbI3 (MAPbI3) precursor solution was 1 wt%, the device obtained the smallest Voc decay (less than 1%) in the p-i-n type PSCs with poly (3,4-ethylenedioxythiophene):poly (styrene sulfonate) (PEDOT:PSS) as hole transport layer (HTL) and fullerene (C60) as electron transport layer (ETL). The PSCs Voc stability improvement is attributed to enhanced crystallinity of photoactive layer and decreased non-radiative recombination by PCBM doping in the perovskites.

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

改进YOLOv7的遥感图像小目标检测

针对在遥感图像中进行小目标检测时,由于目标尺寸小、视觉信息不明显以及背景复杂多变等因素,导致传统的检测方法在精度和鲁棒性方面存在局限性,容易造成漏检、误检的问题,文章提出了一种改进YOLOv7的目标检测算法,采用SIoU作为损失函数,改善目标检测框的定位精度,从而提高检测的准确性和鲁棒性。同时,通过将CNeB模块应用于特征融合过程,增强了特征之间的空间交互能力,进一步提升了小目标的检测性能。此外,为了更好地捕捉遥感图像中小目标的细节特征,利用CA注意力机制,设计了MPCA模块,实现了对特征图的自适应调整,以提高表征能力。在实验部分,使用了经典的遥感图像数据集进行了大量的实验评估。实验结果表明,所提出的基于SIoU、CNeB模块和CA注意力机制的改进方法在RSOD数据集上四分类均值平均精度达到了96.8%,比原版YOLOv7提升了2.5%,有效提高了遥感图像小目标检测精度。

基于图像低维特征融合的航拍小目标检测模型

针对无人机航拍图像目标检测中视野变化大、时空信息复杂等问题,文中基于YOLOv5(You Only Look Once Version5)架构,提出基于图像低维特征融合的航拍小目标检测模型.引入CA(Coordinate Attention),改进MobileNetV3的反转残差块,增加图像空间维度信息的同时降低模型参数量.改进YOLOv5特征金字塔网络结构,融合浅层网络中的特征图,增加模型对图像低维有效信息的表达能力,进而提升小目标检测精度.同时为了降低航拍图像中复杂背景带来的干扰,引入无参平均注意力模块,同时关注图像的空间注意力与通道注意力;引入VariFocal Loss,降低负样本在训练过程中的权重占比.在VisDrone数据集上的实验验证文中模型的有效性,该模型在有效提升检测精度的同时明显降低复杂度.

基于改进YOLOv5s的无人机小目标检测算法

为了解决传统目标检测算法对无人机(UAV)航拍小目标存在错漏检严重的问题,提出基于YOLOv5的无人机小目标检测算法FDB-YOLO.在YOLOv5的基础上增加小目标检测层,优化特征融合网络,充分利用网络浅层小目标细粒信息,提升网络感知能力;提出损失函数FPIoU,通过充分利用锚框的几何性质,采用四点位置偏置约束函数,优化锚框定位,加快损失函数收敛速度;采用结合注意力机制的动态目标检测头(DyHead),通过增加尺度、空间、任务感知提升算法检测能力;在特征提取部分引入双级路由注意力机制(BRA),通过有选择性地对相关区域进行计算,过滤无关区域,提升模型的检测精确度.实验证明,在VisDrone2019数据集上,本算法与YOLOv5s目标检测算法相比,精确率提升了3.7个百分点,召回率提升了5.1个百分点,mAP50增加了5.8个百分点,mAP_(50∶95)增加3.4个百分点,并且相比当前主流算法而言都有更加优秀的表现.

基于上下文信息与特征细化的无人机小目标检测算法

无人机航拍图像中的目标检测是近年来研究的热点,针对无人机视角下目标小而密集、背景复杂导致检测精度低的问题,提出一种基于上下文信息与特征细化的无人机小目标检测算法。通过上下文特征增强模块,利用多尺度扩张卷积捕获与周围区域像素点的潜在关系,为网络补充上下文信息,并根据不同尺度的特征层自适应生成各层级特征图的输出权重,动态优化特征图表达能力;由于不同特征图细粒度不同,使用特征细化模块来抑制特征融合中冲突信息的干扰,防止小目标特征淹没在冲突信息中;设计了一种带权重的损失函数,加快模型收敛速度,进一步提高小目标检测精度。在VisDrone2021数据集进行大量实验表明,改进后的模型较基准模型mAP50提高8.4个百分点,mAP50:95提高5.9个百分点,FPS为42,有效提高了无人机航拍图像中小目标的检测精度。

基于YOLO5Face重分布的小尺度人脸检测方法

针对复杂场景下小尺度人脸检测精度较低的问题,提出了一种基于YOLO5Face重分布的小尺度人脸检测方法。方法以YOLO5Face为基础,在网络浅层引入改进的CBAM注意力并对模型计算重分布,提升复杂场景下小尺度人脸检测精度的同时降低模型参数量;采用融合mixup的数据增强方法,充分训练模型小尺度人脸检测分支;依据人脸检测特性,将softmax损失作为分类损失以最大化类间特征的差异。在WiderFace各个子集上的实验结果表明,与主流人脸检测方法相比,改进后的模型满足实时性的同时,小尺度人脸检测精度较高,其中Hard子集检测精度比YOLO5Face提升2个百分点。

大田环境下的农业害虫图像小目标检测算法

智能化害虫检测是目标检测技术在农业领域的重要应用,可以有效提高害虫测报工作效率和可靠性,保障农作物产量和质量。在诱虫灯、粘虫板等固定式诱捕装置下,图像背景简单、光照条件稳定、害虫特征显著易于提取,害虫检测可以达到较高的准确率,但其应用场景固定,检测范围局限于设备周围,无法适应复杂的田间环境。针对田间环境下图像背景复杂和害虫尺寸小带来的难检和漏检问题,提出一种改进YOLOv5的小目标害虫检测算法Pest-YOLOv5,以提高害虫测报的灵活性。在特征提取网络中增加坐标注意力机制,通过结合空间和通道信息,增强对小目标害虫特征的提取能力,在颈部连接部分使用双向特征金字塔网络结构,通过融合多尺度特征,缓解多次卷积带来的小目标信息丢失问题。在此基础上,使用SIoU和变焦损失函数计算损失值,同时通过实验得到最优分类损失权重系数,使模型更关注分类困难的目标样本。在公开数据集AgriPest上的实验结果表明,Pest-YOLOv5模型mAP_(0.5)和召回率分别为70.4%和67.8%,优于原YOLOv5s模型、SSD和Faster R-CNN等经典目标检测模型。与YOLOv5s模型相比,Pest-YOLOv5模型将mAP_(0.5)、mAP_(0.50:0.95)和召回率分别提高8.1%、7.9%和12.8%,改善了难检和漏检情况。

改进YOLOv5s的无人机视角下小目标检测算法

针对无人机飞行时与目标距离较远,被拍摄的目标大小有明显的差异且存在被物体遮挡等问题,提出一种基于YOLOv5s的无人机视角下小目标检测改进算法BD-YOLO。在特征融合网络中采用双层路由注意力(bi-level routing attention,BRA),其以动态稀疏的方式过滤特征图中最不相关的特征,保留部分重要区域特征,从而提高模型特征提取的能力;由于特征图经过多次下采样后会丢失大量位置信息和特征信息,因此采用一种结合注意力机制的动态目标检测头DyHead(dynamic head),该检测头通过尺度感知、空间感知和任务感知的三者统一,以实现更强的特征表达能力;使用Focal-EIoU损失函数,来解决YOLOv5s中CIoU Loss计算回归结果不准确的问题,从而提高模型对小型目标的检测精度。实验结果表明,在VisDrone2019-DET数据集上,BD-YOLO模型较YOLOv5s模型在平均精度(mAP@0.5)指标上提高了0.062,对比其他主流模型对于小目标的检测都有更好的效果。

基于复杂纹理特征融合的材料图像分割方法

为解决材料图像分割中存在小样本、纹理复杂和数据分布不平衡的问题,抓住材料图像同相像素具有高度相似性的特性,提出一种基于复杂纹理特征融合的材料图像分割方法。在编码阶段,使用全卷积神经网络(FCN)作为基础网络,VGG16作为骨干网络;将改进的FCN的每层的特征图放入设计的级联的特征融合模块(CFF block),融合高低层语义信息;将融合的特征图放入多尺度学习模块(multi-scale block)进一步提取纹理特征。在解码阶段,对特征图施加注意力机制(Attention block),保留关键的特征图;针对材料图像中数据不平衡问题,采用并改进Dice损失,优化分割结果。通过对比实验和消融实验验证该方法的mIoU在多个数据集上均优于经典的深度学习方法。

基于改进YOLOv5的交通标志识别方法

交通标志检测是自动驾驶领域重要的环节,针对当前交通标志的识别存在漏检、误检、模型参数多,以及常见且复杂的代表性真实环境情况,如雾天鲁棒性差的问题,提出一种改进YOLOv5的小目标交通标志识别算法。首先对数据集进行雾化操作以适应在雾天情况下的准确识别,使用更加轻量的部分卷积(partial convolution,PConv)构建PC3特征提取模块;随后在颈部网络中提出延伸的特征金字塔(extended feature pyramid network,EFPN),为小目标添加一个小目标检测头,同时删去原始颈部网络中针对大目标的检测头,提高小目标识别准确率的同时降低网络参数;最后引入Focal-EIOU替换CIOU作为损失函数,以此来解决小目标的误检和漏检问题,嵌入CBAM注意力机制,提升网络模型的特征提取能力。改进的模型性能在TT100K数据集上得到验证,与原YOLOv5算法相比,改进模型在精确率(P)、mAP0.5上分别提高了8.9%、4.4%,参数量降低了44.4%,在NVIDIA 3080设备上FPS值为151.5,可满足真实场景中交通标志的实时检测。

改进YOLOv7的小目标检测算法研究

随着深度学习在国内目标检测的不断应用,常规的大、中目标检测已经取得惊人的进步,但由于卷积网络本身的局限性,针对小目标检测依然会出现漏检、误检的问题,以数据集Visdrone2019和数据集FloW-Img为例,对YOLOv7模型进行研究,在网络结构上对骨干网的ELAN模块进行改进,将Focal NeXt block加入到ELAN模块的长短梯度路径中融合来强化输出小目标的特征质量和提高输出特征包含的上下文信息含量,在头部网络引入RepLKDeXt模块,该模块不仅可以取代SPPCSPC模块来简化模型整体结构还可以利用多通道、大卷积核和Cat操作来优化ELAN-H结构,最后引入SIOU损失函数取代CIOU函数以此提高该模型的鲁棒性。结果表明改进后的YOLOv7模型参数量减少计算复杂性降低并在小目标密度高的Visdrone 2019数据集上的检测性能近似不变,在小目标稀疏的FloW-Img数据集上涨幅9.05个百分点,进一步简化了模型并增加了模型的适用范围。

改进YOLOv5的无人机小目标检测方法研究

无人机拍摄图像的小目标具有特征信息不明显、背景复杂和部分目标遮挡的特点,导致检测时会出现误检和漏检的问题。针对这些问题,提出一种改进YOLOv5的无人机小目标检测方法SDT-YOLOv5。首先对数据集图像进行切片处理,使得每个切片中小目标的占比变高,提高小目标的识别能力。其次采用动态解耦检测头,引入动态卷积和自适应感受野机制,同时将检测头的分类和回归分支解耦,以实现更强的特征表达和提取能力。最后提出了基于最小点距离的交并比损失的最佳传输分配方法。最小化预测边界框与真实边界框之间的左上角和右下角点距离,再基于边界框的位置信息和距离度量,以最小化总成本为目标,找到最优的真实边界框与预测边界框匹配方案,提高检测的准确性。在VisDrone2019数据集上进行实验,结果显示改进YOLOv5的mAP50值达到了58.5%,相比于原始YOLOv5的mAP50值提高了23.2个百分点。这表明改进方法有效地提高了无人机小目标的检测精度,能够更准确地检测到小目标。

基于轻量级算法的水上垃圾小目标检测研究

针对水上漂浮垃圾检测中微小目标物体数量占比高、检测画面易受到水面波动和岸边环境反光等多重因素的干扰、检测模型庞大的参数量和计算量对终端的部署的设备性能要求高等问题,拟提出一种轻量化、高精度、实时性的检测模型LS-YOLO。首先,该算法利用HS-FPN金字塔网络设计构造YOLOv8的Neck网络结构,构建的网络结构牺牲小部分精度,显著降低了模型的参数数量和计算复杂度。其次,通过引入CAA上下文锚定注意机制改进HS-FPN,捕获远程上下文信息来回升检测精度。然后通过更换损失函数为具有动态聚焦机制的Wise-IoUv3,大幅提升检测效果,增加模型鲁棒性。最后,使用LAMP剪枝技术对模型进行剪枝,减小模型的参数量和计算量。实验结果表明,改进后的LS-YOLO相比基准模型mAP50提升了0.9%,回归率提升了3.2%,参数量降至基准模型的19.83%,计算量降至基线的44.44%,模型大小降至基线的22.22%。经过优化后的检测算法不仅显著提升了检测性能与特征提取的精准度,同时也便于在资源受限的硬件平台上的部署操作。

改进YOLOv7的自动驾驶目标检测算法

能否准确实时检测出道路上的车辆、行人等物体对自动驾驶车辆十分重要。针对自动驾驶场景下,车辆在行驶中存在的漏检,小目标检测效果差的问题,提出一种改进YOLOv7算法的自动驾驶目标检测算法。修改网络中扩充感受野的模块,减少感受野模块的大小,提高模型速度的同时增强对图片特征信息的提取能力。在主干网络输出端引入双层路由注意力机制,提高模型对小目标物体的检测性能。用EIOU损失函数替换算法原本的CIOU损失函数,将预测框与真实框的高度与宽度的差异最小化,加快模型收敛速度的同时达到更好的定位效果。实验结果表明:在KITTI数据集上,改进后的YOLOv7算法进行目标检测时,其mAP达到94.7%,在原YOLOv7算法上提升了3.1个百分点,并且在小目标物体检测上获得了更高的检测精度,有效提升了模型对小目标检测效果。

基于YOLOv8s改进的小目标检测算法

针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题,提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络,优化检测层架构,增强浅层信息和深层信息的融合,提高了小目标的感知和捕获能力;在特征提取网络中使用部分卷积(Partial Convolution,PConv)和高效多尺度注意力(Efficient Multi-scale Attention,EMA)机制构建全新的F_C_(2)f_EMA,在降低网络参数量和计算量的同时,通过通道重塑和维度分组最大化保留小目标的特征信息;为了更好地匹配小目标的尺度,优化调整SPPCSPC池化核的尺寸,同时引入无参注意力机制(Simple-parameter-free Attention Module,SimAM),加强复杂背景下小目标特征提取;在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息;引入了全局注意力机制(Global Attention Mechanism,GAM)通过全局上下文的关联建模,充分获取小目标的上下文信息;使用GSConv和Effective Squeeze-Excitation(EffectiveSE)设计全新的G_E_C_(2)f,进一步降低参数量,降低模型的误检率和漏检率;使用WIoU损失函数解决目标不均衡和尺度差异的问题,加快模型收敛的同时提高了回归的精度。实验结果表明,该算法在VisDrone2019数据集上的精确度(Precision)、召回率(Recall)和平均精度(mean Average Precision,mAP)为58.5%、46.0%和48.7%,相较于原始YOLOv8s网络分别提高了8%、8.5%和9.8%,显著提高了模型对小目标的检测能力。在WiderPerson和SSDD数据集上进行模型泛化性实验验证,效果优于其他经典算法。

基于改进ConvNeXt的遥感图像目标检测算法

针对遥感图像中目标排列紧密、背景信息复杂、小目标众多导致的目标检测精度低的问题,结合YOLOv5s,提出了一种基于改进ConvNeXt的遥感图像目标检测算法。首先,在特征提取网络的底端引入了改进的ConvNeXt Block,通过大核卷积与自注意力交互扩宽感受野、丰富语义信息;其次,在多尺度特征融合部分加入了一组自底向上的金字塔结构,以放大浅层特征图的作用,弥补遥感图像中小目标因为深度卷积而损失的位置信息;最后,引入SIoU损失函数,重新定义惩罚指标,并加快整体网络的收敛速度。将所提出的检测算法在RSOD数据集上进行了消融实验,平均精准率均值为92.27%,实验结果表明,所提算法能够实现对遥感图像目标的准确检测。

基于轻量级网络的小目标检测算法

针对YOLOv5算法在检测小目标时存在准确率较低的情况,提出旨在提高小目标检测准确率的轻量级网络KOS-YOLOv5算法。首先采用K-means++聚类技术选择一组合适的锚框尺寸作为模型的先验,对小目标实现更精确的锚框尺寸,使模型能适应不同大小的目标;其次利用简化正负样本分配策略(SimOTA)进行动态样本匹配,更好地优化损失函数;最后将空间上下文金字塔(SCP)模块集成到算法检测层中,促使骨干网络更加关注小目标的特征信息,用以增加目标特征提取能力,提高目标的检测准确率。结果表明,改进后的KOS-YOLOv5算法与传统的YOLOv5模型进行比较,算法在检测精确度(P)方面提高了4%,召回率(R)方面提高了2.4%,平均检测精度(mAP)提高了3.1%,损失函数值(Loss)降低了5%,最终检测精度为95.38%。

面向无人机图像场景的小目标检测模型

无人机因其飞行高度和拍摄角度的独特性,采集的遥感图像中存在大量小目标。小目标物体像素小、语义信息少,容易受背景信息干扰和出现聚集遮挡,是当前检测模型性能不佳的主要原因之一。提出一种面向小目标的无人机图像目标检测模型UAIDet(unmanned aerial vehicles images detector),从解决信息冲突和检测框回归难入手,提升模型的检测性能。其一,构建自适应的通道融合模块,在特征融合阶段动态学习通道权重以过滤不同尺度特征之间的信息冲突,抑制特征融合时的尺度不一致性,提高小目标物体的检测能力;其二,设计误差敏感定位损失函数,在小目标物体检测框的收敛阶段提出偏移敏感损失项以解决小目标对几何误差的敏感性,提高定位损失函数的鲁棒性,优化小目标物体的检测精度。在数据集Visdrone2022上对文章方法进行实验,mAP(means average precision)和AP50(average precision at IOU threshold 50%)分别达到了22.0%和37.1%,相较于基准模型分别提高3和4.7个百分点。TinyPerson数据集上的mAP和AP50为9.9%和29.1%,分别提高了4.29和4.2个百分点,证明UAIDet模型的有效性和鲁棒性。

基于YOLOv5的无人机视角小目标检测算法

针对无人机视角下的小目标检测精度较差、漏检较为严重的问题,提出一种基于改进YOLOv5的无人机图像检测算法。针对小目标尺度较小问题在骨干网络替换空间金字塔池化(Spatial Pyramid Pooling,SPP)为SPPCSPC-GS,增强密集区域关注能力,提取更多小目标有效特征;在颈部网络中引入CBAM注意力机制将头部C3模块替换为C3CBAM增强上下文信息,提高空间与通道特征表达能力;针对遮挡问题引入柔性非极大值抑制(Soft Non Maximum Suppression,Soft NMS)提升模型对遮挡和密集目标的检测能力;替换损失函数为EIOU加快收敛提升定位效果。改进后的模型在VisDrone数据集上平均检测精度为42.2%,相较于原始YOLOv5s算法提升10.7%,遮挡严重的小目标行人与人类别精度分别上升12%与13.3%。相较于其他先进算法,所提算法表现优秀,可以满足无人机视角图像检测任务要求。