一种基于SAM-MSFF网络的低照度目标检测方法

由于低照度图像具有对比度低、细节丢失严重、噪声大等缺点,现有的目标检测算法对低照度图像的检测效果不理想.为此,本文提出一种结合空间感知注意力机制和多尺度特征融合(Spatial-aware Attention Mechanism and Multi-Scale Feature Fusion,SAM-MSFF)的低照度目标检测方法 .该方法首先通过多尺度交互内存金字塔融合多尺度特征,增强低照度图像特征中的有效信息,并设置内存向量存储样本的特征,捕获样本之间的潜在关联性;然后,引入空间感知注意力机制获取特征在空间域的长距离上下文信息和局部信息,从而增强低照度图像中的目标特征,抑制背景信息和噪声的干扰;最后,利用多感受野增强模块扩张特征的感受野,对具有不同感受野的特征进行分组重加权计算,使检测网络根据输入的多尺度信息自适应地调整感受野的大小.在ExDark数据集上进行实验,本文方法的平均精度(mean Average Precision,mAP)达到77.04%,比现有的主流目标检测方法提高2.6%~14.34%.

基于改进MMAL的细粒度图像分类研究

针对细粒度图像分类中目标区域难以精准定位及其内部细粒度特征难以识别的问题,提出了一种基于改进MMAL的细粒度图像分类方法。首先,利用形变卷积的感知区域可变性原理,动态地感知样本图像中不同尺度和形状的目标区域特征,从而增强网络对目标区域位置的感知能力。随后,采用GradCAM梯度回流的方法生成网络注意力热图,以减小特征背景噪声的干扰,实现对图像目标区域的精准定位。最后,提出位置感知空间注意力模块,通过融合坐标位置和双尺度空间信息,显著提升了网络对目标区域细粒度特征的提取能力。实验结果表明,与基线算法相比,该方法在CUB-200-2011、Stanford Car和FGVC-Aircraft三个公共数据集上分类精度分别提升了1.4%、1.5%、1.9%,该结果验证了所提方法的有效性。

基于目标检测算法的智能防护研究

为提高医护人员一次性防护装备的检测准确率和精确率,降低感染风险和环境污染,针对现有目标检测算法在复杂环境下性能较差的问题,本文通过引入多任务损失函数、最小绝对值偏差、复杂尺度感知注意力和空间感知注意力以及可变卷积的方式优化目标检测算法,提出多尺度感知网络(MSTDA)和多重感知注意力检测模型(MATDA)并进行医护人员防护的智能算法实验。实验结果表明:MSTDA模型在准确率和精确率上均优于现有YOLO系列模型及Faster RCNN模型,且MATDA模型在准确率和预测精确率上表现最佳。正确佩戴口罩时模型MSTDA比其他3种模型分别高出17.8%、2.7%、16.3%,未正确佩戴口罩时比其他3种模型分别高出17.3%、4.1%、16.1%。消融实验验证了尺度注意力模块和空间注意力模块的有效性。未来工作将致力于降低模型复杂度,提升计算速度,并考虑其他因素的交叉影响,以增强智能检测方法的适用性。