基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题,提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成,其中,多尺度空洞卷积模块Inception用于图像的多尺度特征提取,在卷积模块中引入双注意力机制增强网络模型,显著表示图像中叶部病斑区域特征,降低非病斑区域与背景区域对识别结果的干扰,在原始残差模块上引入卷积层与非线性激活函数改进的残差模块,增加鲁棒性判别特征的跨层融合,在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明,所提出的方法具有参数量少、占用内存小以及性能好的优势,可进一步应用于田间苹果叶部病害智能识别系统。

基于多尺度注意力卷积网络的作物害虫检测

田间作物害虫检测是精确防治虫害和减少农药使用量的前提。由于田间害虫种类多,同种害虫个体间差异大,田间同一只害虫的大小、颜色、姿态、位置和背景变化多样、无规律,而且田间背景复杂、对比度低,使得传统的作物害虫检测方法的性能不高。现有的基于深度学习的作物害虫检测方法需要大量高质量的标注训练样本,而且训练时间长。在VGG16模型的基础上,本研究提出一种基于多尺度注意力卷积网络(Multi-scale convolutional network with attention,MSCNA)的作物害虫检测方法。在MSCNA中,多尺度结构和注意力模型用于提取多尺度害虫检测特征,增强对形态较小害虫的检测能力;在训练过程中引入二阶项残差模块,减少网络损失和加速网络训练。试验结果表明,该方法能较好地检测到农田中各种各样、大小不同的害虫,检测平均准确率为92.44%。说明该方法能够实现自然场景下作物害虫的精准检测,可应用于田间作物害虫自动检测。

基于3D多尺度卷积的非接触心率估计模型

为了在真实环境下实现更准确的非接触式心率(HR)估计,提出一种远程光电容积描记术(rPPG)和HR信号恢复任务的端到端时空卷积神经网络(CNN)模型。模型使用3D多尺度卷积注意力获取多尺度特征并融合上下文信息。其次引入自注意力卷积长短期记忆(SA-ConvLSTM)提取具有全局依赖和局部依赖的时间空间特征。最后,根据rPPG和HR信号的强关联性,使用多任务学习方法来提高模型性能。在公开的UBFC-rPPG和COHFACE数据集上进行实验测试,结果表明:提出的网络模型在非接触式HR提取中具有更好鲁棒性。

全局信息提取与重建的遥感图像语义分割网络

为了将遥感场景图像更好地进行分割,供给下游任务使用,提出多尺度注意力提取与全局信息重建网络.编码器引入多尺度卷积注意力骨干到遥感深度学习语义分割模型中.多尺度卷积注意力能够捕获多尺度信息,给解码器提供更丰富的全局深浅层信息.在解码器,设计了全局多分支局部Transformer块.多尺度逐通道条带卷积重建多尺度空间上下文信息,弥补全局分支存在的空间信息割裂,与全局语义上下文信息共同重建全局信息分割图.解码器末端设计极化特征精炼头.通道上利用softmax和sigmoid组合,构建概率分布函数,拟合更好的输出分布,修复浅层中潜在的高分辨率信息损失,指导和融合深层信息,获得精细的空间纹理.实验结果表明,网络实现了很高的精确度,在ISPRS Vaihingen数据集上达到82.9%的平均交并比,在ISPRS Potsdam数据集上达到87.1%的平均交并比.

联合超声甲状腺结节分割与分类的多任务方法研究

针对超声图像中甲状腺结节多尺度、结节边缘模糊、良恶分类不平衡问题,提出一种联合超声甲状腺结节分割与分类的多任务方法。以全卷积网络作为主干共享网络,将提取到的浅层特征共享给多任务分支网络,在分割网络分支中,先加入深层卷积块,获取分割分支深层特征,再对深层特征进行上采样。本文提出一种改进卷积注意力模块的多尺度卷积注意力模块,将上采样结果与主干共享网络每个特征提取阶段经过带有多尺度卷积注意力模块跳跃连接后的特征张量进行拼接,减少结节边缘模糊问题,提高分割性能。同时将多尺度卷积注意力模块融入到分类分支中,优化分类性能。实验结果表明:本文所提多任务方法能有效提升分割和分类的精度,较单任务深度学习网络具有更优的分割与分类性能,能有效处理甲状腺结节多尺度、结节边缘模糊的问题,降低良恶分类不平衡带来的影响。

基于YOLOv8s的城市背景烟火检测算法

针对目前城市背景烟火检测方法存在检测精度不高,易出现误检、漏检和耗时长等问题,提出一种基于YOLOv8s改进的烟火检测算法。引入加权双向特征金字塔(Bi-directional Feature Pyramid Network, BiFPN)增强特征融合,在BiFPN的基础上融合P2特征层提升小目标检测能力,同时添加基于跨空间学习的高效多尺度注意力(Efficient Multi-scale Attention, EMA)模块,突出目标特征同时抑制背景环境的干扰;为了有效利用特征图的语义信息,引入轻量级通用上采样算子——Content-Aware ReAssembly of Features(CARAFE);基于多尺度卷积注意力(Multi-scale Convolutional Attention, MCA)模块设计了一个轻量化的检测头并提升了检测精度;引入分组卷积空间金字塔池化SPPFCSPC_Group模块,在扩大感受野的同时具有更好的特征提取能力。实验结果表明,改进的YOLOv8s算法在基准模型的基础上计算量减少了25%、参数量减少了37.6%、模型权重大小减少了33.2%,平均精度均值(mean Average Precision, mAP)提升了3.4%,基本满足烟火检测的需求。