期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
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
任意字段
题名或关键词
题名
关键词
文摘
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
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
改进YOLOv5目标检测模型在城市街道场景中的应用
1
作者
杨浩
陈斌
《计算机应用》
CSCD
北大核心
2023年第S02期83-88,共6页
针对城市街道场景中小目标和密集目标检测准确率不高的问题,提出一种改进的YOLOv5的目标检测模型——City-YOLO。首先利用可变形卷积和Focus模块设计了两种新的下采样模块,使骨干网络(Backbone)与Neck层提取特征信息更准确,同时融合了...
针对城市街道场景中小目标和密集目标检测准确率不高的问题,提出一种改进的YOLOv5的目标检测模型——City-YOLO。首先利用可变形卷积和Focus模块设计了两种新的下采样模块,使骨干网络(Backbone)与Neck层提取特征信息更准确,同时融合了全局特征信息;其次增加一层检测特征层,增强小目标的检测能力;随后将二阶通道注意力机制引入检测特征层,使网络更加关注目标的重要特征,提升网络对密集遮挡目标的检测能力;最后使用Kmeans算法重新设计了先验框,并将它分配到相应的检测特征层。在CityScape数据集上,City-YOLO模型的均值平均精度mAP50与mAP50:95分别达到了54.3%和30.6%;相较于YOLOv5,mAP50与mAP50:95分别提升了5.8和4.0个百分点。实验结果表明,City-YOLO模型有效地实现了高精度城市街道场景目标检测。
展开更多
关键词
城市街道场景
小目标
密集目标
YOLO
可变形卷积
注意力机制
下载PDF
职称材料
基于DeformableDETR的域自适应目标检测模型在城市街道场景中的应用
2
作者
杨浩
陈斌
李科
《计算机应用》
2024年第S01期262-267,共6页
针对在特定环境背景条件下训练的城市街道目标检测模型直接应用在另一种环境背景条件下城市街道场景中检测性能下降的问题,提出一种基于Deformable DETR(DEtection TRansformer)的域自适应目标检测模型City-DA-DETR,通过引入域自适应模...
针对在特定环境背景条件下训练的城市街道目标检测模型直接应用在另一种环境背景条件下城市街道场景中检测性能下降的问题,提出一种基于Deformable DETR(DEtection TRansformer)的域自适应目标检测模型City-DA-DETR,通过引入域自适应模块融合主干网络特征与Transformer特征,有效实现特征对齐与知识跨域迁移。首先,域自适应模块利用Transformer解码器输出Token与编码器特征交互,生成多尺度实例特征蒙板(MSIM);其次,实例特征蒙板引导Transformer编码器特征生成多尺度空间注意力机制与通道注意力机制;最后,主干网络特征与编码器特征通过注意力机制融合生成用于跨域特征对齐的语义向量。从Cityscape到Fogy-Cityscape数据集,City-DA-DETR模型的平均精度均值(mAP)达到了43.8%,相较于基线模型SFA(Sequence Feature Alignment)提升了2.5百分点;从Sim10K到Cityscape数据集,City-DA-DETR模型的mAP达到了56.1%,相较于SFA提升了3.5百分点。实验结果表明,City-DA-DETR具有良好的域自适应性,有效实现了不同环境背景城市街道场景的跨域迁移。
展开更多
关键词
城市街道场景
DETR
目标检测
域自适应
注意力机制
下载PDF
职称材料
复杂场景下自适应注意力机制融合实时语义分割
3
作者
陈丹
刘乐
+2 位作者
王晨昊
白熙茹
王子晨
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第8期3334-3342,共9页
实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息...
实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息,再经过特征融合网络(FFN)获得准确语义图像。AAFNet采用扩展的深度可分离卷积(DDW)可增大语义特征提取感受野,提出自适应平均池化(Avp)和自适应最大池化(Amp)构成自适应注意力机制融合模块(AAFM),可细化目标边缘分割效果并降低小目标的漏分率。最后在复杂城市街道场景Cityscapes和CamVid数据集上分别进行了语义分割实验,所设计的AAFNet以32帧/s(Cityscapes)和52帧/s(CamVid)的推理速度获得73.0%和69.8%的平均分割精度(mIoU),且与扩展的空间注意力网络(DSANet)、多尺度上下文融合网络(MSCFNet)以及轻量级双边非对称残差网络(LBARNet)相比,AAFNet平均分割精度最高。
展开更多
关键词
卷积神经网络
复杂
城市街道场景
扩展的深度可分离卷积
自适应注意力机制融合
分割精度
下载PDF
职称材料
题名
改进YOLOv5目标检测模型在城市街道场景中的应用
1
作者
杨浩
陈斌
机构
中国科学院成都计算机应用研究所
中国科学院大学
哈尔滨工业大学(深圳)国际人工智能研究院
哈尔滨工业大学重庆研究院
出处
《计算机应用》
CSCD
北大核心
2023年第S02期83-88,共6页
文摘
针对城市街道场景中小目标和密集目标检测准确率不高的问题,提出一种改进的YOLOv5的目标检测模型——City-YOLO。首先利用可变形卷积和Focus模块设计了两种新的下采样模块,使骨干网络(Backbone)与Neck层提取特征信息更准确,同时融合了全局特征信息;其次增加一层检测特征层,增强小目标的检测能力;随后将二阶通道注意力机制引入检测特征层,使网络更加关注目标的重要特征,提升网络对密集遮挡目标的检测能力;最后使用Kmeans算法重新设计了先验框,并将它分配到相应的检测特征层。在CityScape数据集上,City-YOLO模型的均值平均精度mAP50与mAP50:95分别达到了54.3%和30.6%;相较于YOLOv5,mAP50与mAP50:95分别提升了5.8和4.0个百分点。实验结果表明,City-YOLO模型有效地实现了高精度城市街道场景目标检测。
关键词
城市街道场景
小目标
密集目标
YOLO
可变形卷积
注意力机制
Keywords
urban street scene
small object
dense object
YOLO
deformable convolution
attention mechanism
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于DeformableDETR的域自适应目标检测模型在城市街道场景中的应用
2
作者
杨浩
陈斌
李科
机构
中国科学院成都计算机应用研究所
出处
《计算机应用》
2024年第S01期262-267,共6页
文摘
针对在特定环境背景条件下训练的城市街道目标检测模型直接应用在另一种环境背景条件下城市街道场景中检测性能下降的问题,提出一种基于Deformable DETR(DEtection TRansformer)的域自适应目标检测模型City-DA-DETR,通过引入域自适应模块融合主干网络特征与Transformer特征,有效实现特征对齐与知识跨域迁移。首先,域自适应模块利用Transformer解码器输出Token与编码器特征交互,生成多尺度实例特征蒙板(MSIM);其次,实例特征蒙板引导Transformer编码器特征生成多尺度空间注意力机制与通道注意力机制;最后,主干网络特征与编码器特征通过注意力机制融合生成用于跨域特征对齐的语义向量。从Cityscape到Fogy-Cityscape数据集,City-DA-DETR模型的平均精度均值(mAP)达到了43.8%,相较于基线模型SFA(Sequence Feature Alignment)提升了2.5百分点;从Sim10K到Cityscape数据集,City-DA-DETR模型的mAP达到了56.1%,相较于SFA提升了3.5百分点。实验结果表明,City-DA-DETR具有良好的域自适应性,有效实现了不同环境背景城市街道场景的跨域迁移。
关键词
城市街道场景
DETR
目标检测
域自适应
注意力机制
Keywords
urban street scene
DETR(DEtection TRansformer)
object detection
domain adaptation
attention mechanism
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
复杂场景下自适应注意力机制融合实时语义分割
3
作者
陈丹
刘乐
王晨昊
白熙茹
王子晨
机构
西安理工大学自动化与信息工程学院
陕西职业技术学院电子信息工程学院
出处
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第8期3334-3342,共9页
基金
榆林市科技局计划项目(2019-146)
西安市秦创原重点产业链核心技术攻关项目(23ZDCYJSGG0021-2023)。
文摘
实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息,再经过特征融合网络(FFN)获得准确语义图像。AAFNet采用扩展的深度可分离卷积(DDW)可增大语义特征提取感受野,提出自适应平均池化(Avp)和自适应最大池化(Amp)构成自适应注意力机制融合模块(AAFM),可细化目标边缘分割效果并降低小目标的漏分率。最后在复杂城市街道场景Cityscapes和CamVid数据集上分别进行了语义分割实验,所设计的AAFNet以32帧/s(Cityscapes)和52帧/s(CamVid)的推理速度获得73.0%和69.8%的平均分割精度(mIoU),且与扩展的空间注意力网络(DSANet)、多尺度上下文融合网络(MSCFNet)以及轻量级双边非对称残差网络(LBARNet)相比,AAFNet平均分割精度最高。
关键词
卷积神经网络
复杂
城市街道场景
扩展的深度可分离卷积
自适应注意力机制融合
分割精度
Keywords
Convolution Neural Network(CNN)
Complex urban street scenes
Dilated depth-wise separable convolution
Adaptive attention mechanism fusion
Segmentation accuracy
分类号
TN911.7 [电子电信—通信与信息系统]
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
改进YOLOv5目标检测模型在城市街道场景中的应用
杨浩
陈斌
《计算机应用》
CSCD
北大核心
2023
0
下载PDF
职称材料
2
基于DeformableDETR的域自适应目标检测模型在城市街道场景中的应用
杨浩
陈斌
李科
《计算机应用》
2024
下载PDF
职称材料
3
复杂场景下自适应注意力机制融合实时语义分割
陈丹
刘乐
王晨昊
白熙茹
王子晨
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024
0
下载PDF
职称材料
已选择
0
条
导出题录
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
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部