基于小样本学习的马铃薯叶片病害检测

马铃薯叶片的病害将直接导致马铃薯产量和质量的下降,为实现马铃薯叶片病害的精确检测并及时预防病变,提出了一种基于小样本学习的马铃薯叶片病害检测算法。首先,利用一组共享权重的特征提取器将输入图片映射到深度特征空间;然后,提出一种任务感知注意力模块用于融合小样本学习网络中的双分支输入特征,强化目标任务的特定表达能力;最后,引入一种动态卷积模块提高卷积核的建模能力,并将卷积块注意力机制(CBAM)嵌入到该卷积网络中,构造特征强化学习模块,细粒度地捕获病害区域的细节特征。通过在开源马铃薯叶片病害检测数据集上进行测试,所提出模型分别实现了93.92%的准确率、93.81%的精准率、93.85%的召回率和93.63%的F1值;此外,在自建数据集上与当前经典马铃薯叶片病害检测模型相比,同样具有较好的竞争力。

基于部位感知的驾驶场景行人检测方法

针对驾驶场景下的行人检测面临的环境复杂、行人密集和尺度跨越大等问题,提出一种智能驾驶场景下的端到端行人检测方法。为减少特征金字塔直接对特征相加造成的信息损失,引入双向特征增强模块(Bidirectional Feature Enhancement Module,BFEM),在双向通道上使用级联融合增强各层特征包含的信息。针对检测器在行人遮挡场景下感知力不足的问题,提出一种注意力部位感知模块(Embedding-based Attention Part-aware Module,EAPM),模块使用任务感知注意力增强特征前景特性,同时为人体部位添加了可见性损失,以此来增强模型对人体结构的感知经验。此外,改进任务感知注意力结合空间分组思想,增强子特征信息,减少噪声干扰,以此增强检测器的分类能力。在CrowdHuman和Citypersons数据集上对模型进行评估,实验证明了方法的有效性,在CrowdHuman中与基线相比提升了2.39%的AP值、2.21%的Recall和3.08%的R_(M)^(-2)值,取得了91.55%AP,89.88%Recall和43.90%R_(M)^(-2)的结果,在Citypersons中取得了44.4R_(M)^(-2)的结果。