期刊文献+
共找到9篇文章
< 1 >
每页显示 20 50 100
GhostNet轻量级网络在糖尿病视网膜病变诊断中的应用价值
1
作者 朱小红 张云 +1 位作者 刘美玲 曹凯 《首都医科大学学报》 CAS 北大核心 2024年第4期678-685,共8页
目的基于眼底彩照,分别应用经典卷积神经网络DenseNet121和轻量级网络GhostNet训练糖尿病视网膜病变(diabetic retinopathy,DR)的诊断模型(将DR和正常眼底做区分)和鉴别诊断(将DR和其他眼底病做区分)模型,评价基于轻量级网络GhostNet的D... 目的基于眼底彩照,分别应用经典卷积神经网络DenseNet121和轻量级网络GhostNet训练糖尿病视网膜病变(diabetic retinopathy,DR)的诊断模型(将DR和正常眼底做区分)和鉴别诊断(将DR和其他眼底病做区分)模型,评价基于轻量级网络GhostNet的DR诊断模型的应用价值。方法收集大样本的眼底彩照29535张(含DR 9883张、正常眼底2000张、用于做鉴别诊断的其他致盲性眼底病17652张)。分别采用经典卷积神经网络DenseNet121和轻量级网络GhostNet建模,并借助迁移学习做模型训练。采用受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)、灵敏度、特异度、准确率评价模型性能。结果与基于DenseNet121的模型相比,基于GhostNet的模型对单张眼底照的诊断时间缩短了60.3%。在DR的诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为0.911、0.888、0.934、91.3%,基于DenseNet121的模型的AUC值、灵敏度、特异度、准确率分别为0.954、0.921、0.986、95.5%。在DR与其他眼底病的鉴别诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为0.862、0.856、0.901、87.8%;基于DenseNet121的模型的AUC值、灵敏度、特异度、准确率分别为0.899、0.871、0.935、90.2%。结论基于GhostNet轻量级神经网络构建的DR诊断模型和鉴别诊断模型,其诊断效率较经典模型DenseNet121有显著提升,并且模型兼具较高的准确率。对于社区医院等缺乏眼科医师且设备性能不高的基层医疗机构,可考虑应用该技术开展DR的初筛。 展开更多
关键词 糖尿病视网膜病变 轻量级神经网络模型 诊断 筛查 社区
下载PDF
基于轻量级神经网络的人脸表情识别研究
2
作者 于成成 郭芝源 《物联网技术》 2024年第8期49-52,共4页
表情是人与人进行情绪交流的主要媒介,人脸表情识别是计算机视觉领域的一个研究热点,在众多领域中应用广泛。目前,主流的人脸表情识别技术主要基于传统的卷积神经网络,但其网络结构复杂,参数量和计算量庞大。轻量级神经网络通过引入深... 表情是人与人进行情绪交流的主要媒介,人脸表情识别是计算机视觉领域的一个研究热点,在众多领域中应用广泛。目前,主流的人脸表情识别技术主要基于传统的卷积神经网络,但其网络结构复杂,参数量和计算量庞大。轻量级神经网络通过引入深度可分离卷积技术,在不影响或轻微降低识别准确率的前提下,能够大幅度缩减模型的参数量和计算复杂度。在轻量级神经网络的人脸表情识别研究中,通过构建MobileNet和mini_Xception两种轻量级神经网络模型,以传统的卷积神经网络VGG16为比较基准,分别在FER2013和CK+两个数据集上展开人脸表情识别实验。在FER2013数据集上,两个轻量级模型准确率下降了1.39个百分点和6.10个百分点,参数量却仅为VGG16的8.11%和0.15%。同样,在CK+数据集上,模型准确率分别下降了2.53个百分点和2.02个百分点,参数量分别是VGG16的9.6%和0.17%。实验结果证明了轻量级神经网络模型MobileNet和mini_Xception在人脸表情识别任务中的优越性。 展开更多
关键词 人脸表情识别 轻量级神经网络模型 深度可分离卷积 MobileNet mini_Xception VGG16
下载PDF
基于特征融合的轻量级新残差人脸识别方法
3
作者 惠康华 闫建青 +1 位作者 高思华 贺怀清 《电子学报》 EI CAS CSCD 北大核心 2024年第3期937-944,共8页
针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免... 针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%. 展开更多
关键词 轻量级新残差网络模型 人脸识别 关键特征信息 注意力机制
下载PDF
基于结构重参数化的复杂背景下天然草地植物图像轻量级分类识别方法
4
作者 王亚鹏 曹姗姗 +1 位作者 李全胜 孙伟 《西部林业科学》 CAS 北大核心 2023年第4期144-153,共10页
野外环境下天然草地植物种类的准确快速识别对草地资源调查、科学实验和教学科普等应用场景至关重要,目前多采用人工现场判别等方式,耗时耗力且受限于专家经验。以新疆干旱区天然草地植物为研究对象,构建自然复杂背景下的整株天然草地... 野外环境下天然草地植物种类的准确快速识别对草地资源调查、科学实验和教学科普等应用场景至关重要,目前多采用人工现场判别等方式,耗时耗力且受限于专家经验。以新疆干旱区天然草地植物为研究对象,构建自然复杂背景下的整株天然草地植物图像数据集。引入非对称卷积并结合结构重参数化方法优化RepVGG网络,提出并验证了一种兼顾识别精度、并行度和效率的自然复杂背景下天然草地植物图像轻量级分类识别模型(RepVGG_ACB),并与主流的经典网络模型(VGG系列和ResNet系列)以及轻量级模型(MobileNetV2和ShuffleNetV2)的识别效果进行对比分析。结果显示:(1)结构重参数化的RepVGG_ACB系列模型A0_ACB、A1_ACB和B0_ACB对天然草地植物的识别准确率为90.7%、92.4%和95.6%,模型有效且识别效果显著。(2)优化后的RepVGG_ACB网络在训练阶段采用多分支结构,识别准确率提高了1.9%~4.2%,提高了网络的泛化能力;在推理阶段采用并行度更高的单路结构,减少了FLOPs和参数量,降低了模型复杂度。(3)与经典网络模型相比,在准确率相当的情况下推理速度提升了1.3~3倍;与轻量级模型相比,推理速度虽略不及但准确率提高了2.1%~3.2%。结果表明:RepVGG_ACB系列网络在识别精度、并行度和效率方面取得均衡,具有其他网络所不具备的优势,可应用于无人机机载传感器网络或智能手持终端等边缘计算环境,为野外植物自动化高精度智能分类识别提供新方法。 展开更多
关键词 草地植物分类 自然复杂背景 植物图像识别 结构重参数化 轻量级网络模型
下载PDF
SKASNet:用于语义分割的轻量级卷积神经网络 被引量:5
5
作者 谭镭 孙怀江 《计算机工程》 CAS CSCD 北大核心 2020年第9期261-267,共7页
多数语义分割模型中的每个卷积层仅采用单一大小的感受野,不利于模型提取多尺度特征。为此,使用选择核卷积构建一个新的残差模块SKAS,通过调节感受野的大小获得多尺度信息。同时,提出一种逐层分组卷积并构建轻量级网络结构SKASNet,在连... 多数语义分割模型中的每个卷积层仅采用单一大小的感受野,不利于模型提取多尺度特征。为此,使用选择核卷积构建一个新的残差模块SKAS,通过调节感受野的大小获得多尺度信息。同时,提出一种逐层分组卷积并构建轻量级网络结构SKASNet,在连续的SKAS模块中分别使用不同的分组数,从而以相对平滑的方式降低网络参数量并增强不同分组之间的信息交流。在Cityscapes数据集上的实验结果表明,该网络模型仅有1.7 M的参数量,分割精度达到68.5%,与SegNet、ICNet和PSPNet等模型相比,其能够在大幅降低网络参数量的同时取得良好的分割效果。 展开更多
关键词 卷积神经网络 语义分割 选择核卷积 逐层分组卷积 轻量级网络模型
下载PDF
基于增强多尺度特征解码器的图像语义分割 被引量:2
6
作者 刘畅 宣士斌 +1 位作者 何雪东 刘丽霞 《微电子学与计算机》 2023年第4期30-37,共8页
针对语义分割模型SegFormer在进行图像分割时存在多尺度语义信息利用不充分、细节特征丢失等问题,提出了一种改进的轻量级的语义分割算法,并设计了一个新的解码器来增强多尺度特征表示.采用新提出的瓶颈空间金字塔池化模块(BoSPP)以获... 针对语义分割模型SegFormer在进行图像分割时存在多尺度语义信息利用不充分、细节特征丢失等问题,提出了一种改进的轻量级的语义分割算法,并设计了一个新的解码器来增强多尺度特征表示.采用新提出的瓶颈空间金字塔池化模块(BoSPP)以获得丰富且准确的多尺度信息,所提出模型采用拉普拉斯金字塔来获得编码阶段更精确的高分辨率细节特征,并将其应用于解码阶段来解决细节特征丢失的问题;最后对特征进行逐步融合,以避免上采样率过大导致细节损失,极大地保留丰富的细节特征进而增强最终的语义分割效果.ADE20K数据集的实验结果表明,使用改进后的解码器进行语义分割,在精度和运算量方面都有所改善.以使用MiT-B0编码器的实验为例,其mIoU指标相比原网络提升了1.36%,浮点运算量仅为原网络的51%.实验结果表明,改进后的模型在不增加大量计算成本的情况下提升了模型的分割精度,且浮点运算量更少,改进后的语义分割模型优于原模型,在增强多尺度特征和图像边界细节特征方面有更好的分割效果. 展开更多
关键词 语义分割 轻量级网络模型 解码器 特征提取网络 多尺度特征
下载PDF
边缘设备上的葡萄园田间场景障碍检测 被引量:1
7
作者 崔学智 冯全 +1 位作者 王书志 张建华 《中国农机化学报》 北大核心 2021年第9期150-156,共7页
为在无人驾驶农机上实现快速、准确的葡萄园田间障碍目标检测,将EfficientDet D0、YOLOV4 TINY、YOLOV3 TINY、YOLO-FASTEST四种轻量级目标检测神经网络在自建的葡萄园田间场景数据集进行训练,将训练模型移植到边缘设备NVIDIA JETSON T... 为在无人驾驶农机上实现快速、准确的葡萄园田间障碍目标检测,将EfficientDet D0、YOLOV4 TINY、YOLOV3 TINY、YOLO-FASTEST四种轻量级目标检测神经网络在自建的葡萄园田间场景数据集进行训练,将训练模型移植到边缘设备NVIDIA JETSON TX2(以下简称TX2)上,对这4种模型的障碍检测精度和在TX2上的适用性进行试验评估。试验结果表明,YOLOV3 TINY、YOLOV4 TINY、EfficientDet D0、YOLO-FASTEST对葡萄园田间场景障碍检测平均精度mAP分别为0.648、0.601、0.598和0.401。在TX2的实测结果显示,上述网络模型实时视频检测帧率分别为34.24帧、24.75帧、2.34帧和2.97帧。4种目标检测网络中,YOLOV3 TINY在数据集上的检测精度最高、实时检测速度最快,但对硬件资源消耗也相对较高。而在考虑硬件资源消耗时,使用YOLOV4 TINY可以在检测精度、实际运行速度和硬件资源消耗之间维持更好的平衡性,同时可以在运行多任务的情况下取得好的效果。 展开更多
关键词 田间场景 轻量级网络模型 边缘设备 实时检测 适用性
下载PDF
基于太赫兹图像融合与深度学习的芯片缺陷检测方法 被引量:2
8
作者 刘竞博 毛淇 朱云龙 《信息与控制》 CSCD 北大核心 2023年第3期302-312,共11页
由于太赫兹(THz)时域光谱技术能够有效获取半导体芯片内部结构的时域和频域信息,从而为半导体芯片产品内部结构成像和缺陷检测提供了可能。但由于单一频点的太赫兹图像特征表达能力不足,无法直接应用于工业领域。为此,充分利用不同频点... 由于太赫兹(THz)时域光谱技术能够有效获取半导体芯片内部结构的时域和频域信息,从而为半导体芯片产品内部结构成像和缺陷检测提供了可能。但由于单一频点的太赫兹图像特征表达能力不足,无法直接应用于工业领域。为此,充分利用不同频点的太赫兹光谱数据所蕴含的芯片不同特征信息,并开展图像融合方法的研究,采用多尺度变换将图像分离为低频和高频分量,并对低频分量和全通分量分别采用基于稀疏表示的融合算法和多尺度变换进行融合,建立了多尺度变换和稀疏表示的图像融合框架和重构算法,实现了对芯片特征信息的增强和图像成像精度的提高。同时,针对半导体芯片内部缺陷在线实时检测网络训练过拟合、效率低以及工业图像具有稀疏性、缺陷不明显等问题,通过构建半导体芯片缺陷检测数据集,研究了小样本状态下轻量级神经网络缺陷检测模型(LiCNN),并优化模型参数,实现精简的参数规模,实验验证LiCNN对小样本数据集缺陷检测的有效性,从而为半导体芯片内部缺陷的无损检测和质量控制提供理论方法指导。 展开更多
关键词 半导体芯片 缺陷检测 太赫兹时域光谱 融合算法 轻量级神经网络缺陷检测模型
原文传递
基于深度学习的无人机激光远程充电识别算法 被引量:2
9
作者 李文峰 杨雁南 《激光与光电子学进展》 CSCD 北大核心 2022年第12期343-350,共8页
为实现激光对飞行无人机远程充电过程中对充电目标的快速识别,提出一种改进的Yolov3算法,采用轻量级网络模型作为特征提取网络,实现了激光发射系统对充电无人机目标的精准快速识别。与原有的Yolov3网络相比,平均检测速度从17 frame/s提... 为实现激光对飞行无人机远程充电过程中对充电目标的快速识别,提出一种改进的Yolov3算法,采用轻量级网络模型作为特征提取网络,实现了激光发射系统对充电无人机目标的精准快速识别。与原有的Yolov3网络相比,平均检测速度从17 frame/s提高到33 frame/s,并将网络模型权值大小从236.0 MB缩小到29.7 MB,大大减少了Yolov3模型对硬件的依赖程度。研究结果表明,改进后的算法具有较高的精确性和实时性,为激光对无人机的实时远程充电提供了一种具有应用价值的技术手段。 展开更多
关键词 机器视觉 无线充电 Yolov3算法 目标检测 轻量级网络模型
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部