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
一种基于ConvMixer骨干的显著性目标检测模型
1
作者
张斯博
朱敬华
+1 位作者
奚赫然
杜欣月
《黑龙江大学工程学报(中英俄文)》
2024年第1期48-57,共10页
显著性目标检测(Saliency Object Detection,SOD)算法多采用基于卷积神经网络(Convolutional Neural Network,CNN)的骨干网络提取特征,然而CNN无法获取图像的长范围特征依赖。视觉转换器(Vision Transformer,ViT)将图像划分为图块(patc...
显著性目标检测(Saliency Object Detection,SOD)算法多采用基于卷积神经网络(Convolutional Neural Network,CNN)的骨干网络提取特征,然而CNN无法获取图像的长范围特征依赖。视觉转换器(Vision Transformer,ViT)将图像划分为图块(patch),通过Transformer在patch之间传播全局上下文信息获得长范围特征依赖,但Transformer的自注意力层具有二次方的时间复杂性。因此,提出一种低复杂性的基于patch的SOD算法CM-PoolNet,对经典的显著性目标检测PoolNet模型的骨干网络进行改进,使用卷积模型ConvMixer替换VGG和RestNet,提出新的特征融合方法。基于U型结构,编码器对输入图像进行Patch Embedding,送入重复堆叠的由深度可分离卷积和膨胀卷积构成的ConvMixer特征提取器中。为解码器设计了基于patch的特征融合模块。设计了BCE、SSIM和IOU 3种损失,引导模型在像素级、图块级、特征图级3级层次中学习输入图像和真值图像之间的转换。在DUTS数据集和ECSSD数据集上进行实验,结果表明:提出的模型能够有效地分割突出的目标区域,并且准确预测具有清晰边界的精细结构。
展开更多
关键词
显著性目标检测
补丁嵌入
混合损失函数
PoolNet
convmixer
下载PDF
职称材料
基于ConvMixer架构的高效点云分类方法
2
作者
王淳
赵艳明
冯燕
《中国传媒大学学报(自然科学版)》
2024年第1期56-64,共9页
近年来,视觉Transformer模型在点云分类等三维计算机视觉任务中显现出潜在的优越性,但其有效性来源仍然模糊不清。研究它们在视觉任务中的性能是完全归功于Transformer结构本身的优越性,还是至少部分得益于使用局部块作为输入表示,是非...
近年来,视觉Transformer模型在点云分类等三维计算机视觉任务中显现出潜在的优越性,但其有效性来源仍然模糊不清。研究它们在视觉任务中的性能是完全归功于Transformer结构本身的优越性,还是至少部分得益于使用局部块作为输入表示,是非常必要的。受此启发,本文提出了一种简单但仍然有效的点云分类和分割模型PointConvMixer,用ConvMixer架构取代了Point-BERT中的标准Transformer。PointConvMixer在ModelNet40数据集上的整体分类准确率达到92.3%,在ShapeNet Parts数据集上进行点云部分分割时mIOUI和mIOUC分别为85.4%和83.9%,均优于基于Transformer的对比模型。此外,本文还进一步提出PPFConvMixer,其利用高效的局部特征描述符PPF增强了PointConvMixer,从而优化了点云分类性能。在查询半径为0.25m时,PPFConvMixer的总体分类准确率达到了93.8%。
展开更多
关键词
三维点云分类
深度学习
convmixer
Point
Pair
Feature
下载PDF
职称材料
基于改进YOLOv7模型的地铁隧道衬砌表观病害检测方法
3
作者
陈霆
雷洋
+1 位作者
白堂博
许贵阳
《铁道建筑》
北大核心
2024年第3期94-99,共6页
针对地铁隧道内部光线昏暗,诸多附属设备与衬砌表观病害纹理及灰度近似,病害检测精度低的问题,提出了一种基于改进YOLOv7(You Only Look Once v7)的地铁隧道衬砌表观病害与附属设施的检测方法。在原YOLOv7模型的骨干部分引入混合卷积模...
针对地铁隧道内部光线昏暗,诸多附属设备与衬砌表观病害纹理及灰度近似,病害检测精度低的问题,提出了一种基于改进YOLOv7(You Only Look Once v7)的地铁隧道衬砌表观病害与附属设施的检测方法。在原YOLOv7模型的骨干部分引入混合卷积模块(Mixed Convolutional Module,ConvMixer)并增加了微小物体检测头,降低网络复杂度并提高对微小病害的敏感度;在原YOLOv7模型的颈部将路径聚合网络(Path Aggregation Network,PANet)替换为双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN),用于捕获全局特征信息,在隧道复杂环境下精确定位;在最大池化卷积(MaxPooling Convolution,MPC)模块中引入无参注意力机制(Simple Parameter Free Attention Mechanism,SimAM),给检测目标的特征矢量赋予三维权重,以增加检测精度。检测结果表明,本文提出的改进模型的检测准确率和召回率分别达到89.1%、87.8%,且权重文件大小仅为59.6 MB,检测速率为89帧/s。该模型在保证较高检测精度的同时降低了权重文件大小,提高了检测速率,适用于隧道巡检系统。
展开更多
关键词
铁路隧道
检测精度
深度学习
衬砌病害
YOLOv7
convmixer
BiFPN
SimAM
下载PDF
职称材料
题名
一种基于ConvMixer骨干的显著性目标检测模型
1
作者
张斯博
朱敬华
奚赫然
杜欣月
机构
黑龙江大学计算机科学技术学院
出处
《黑龙江大学工程学报(中英俄文)》
2024年第1期48-57,共10页
基金
国家自然科学基金项目(82374626)。
文摘
显著性目标检测(Saliency Object Detection,SOD)算法多采用基于卷积神经网络(Convolutional Neural Network,CNN)的骨干网络提取特征,然而CNN无法获取图像的长范围特征依赖。视觉转换器(Vision Transformer,ViT)将图像划分为图块(patch),通过Transformer在patch之间传播全局上下文信息获得长范围特征依赖,但Transformer的自注意力层具有二次方的时间复杂性。因此,提出一种低复杂性的基于patch的SOD算法CM-PoolNet,对经典的显著性目标检测PoolNet模型的骨干网络进行改进,使用卷积模型ConvMixer替换VGG和RestNet,提出新的特征融合方法。基于U型结构,编码器对输入图像进行Patch Embedding,送入重复堆叠的由深度可分离卷积和膨胀卷积构成的ConvMixer特征提取器中。为解码器设计了基于patch的特征融合模块。设计了BCE、SSIM和IOU 3种损失,引导模型在像素级、图块级、特征图级3级层次中学习输入图像和真值图像之间的转换。在DUTS数据集和ECSSD数据集上进行实验,结果表明:提出的模型能够有效地分割突出的目标区域,并且准确预测具有清晰边界的精细结构。
关键词
显著性目标检测
补丁嵌入
混合损失函数
PoolNet
convmixer
Keywords
saliency object detection
patch embedding
mixed loss function
PoolNet
convmixer
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
基于ConvMixer架构的高效点云分类方法
2
作者
王淳
赵艳明
冯燕
机构
中国传媒大学信息与通信工程学院
出处
《中国传媒大学学报(自然科学版)》
2024年第1期56-64,共9页
基金
国家重点研发计划(2018YFB1404103)。
文摘
近年来,视觉Transformer模型在点云分类等三维计算机视觉任务中显现出潜在的优越性,但其有效性来源仍然模糊不清。研究它们在视觉任务中的性能是完全归功于Transformer结构本身的优越性,还是至少部分得益于使用局部块作为输入表示,是非常必要的。受此启发,本文提出了一种简单但仍然有效的点云分类和分割模型PointConvMixer,用ConvMixer架构取代了Point-BERT中的标准Transformer。PointConvMixer在ModelNet40数据集上的整体分类准确率达到92.3%,在ShapeNet Parts数据集上进行点云部分分割时mIOUI和mIOUC分别为85.4%和83.9%,均优于基于Transformer的对比模型。此外,本文还进一步提出PPFConvMixer,其利用高效的局部特征描述符PPF增强了PointConvMixer,从而优化了点云分类性能。在查询半径为0.25m时,PPFConvMixer的总体分类准确率达到了93.8%。
关键词
三维点云分类
深度学习
convmixer
Point
Pair
Feature
Keywords
3D point cloud classification
deep learning
convmixer
Point Pair Feature
分类号
TP391 [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
基于改进YOLOv7模型的地铁隧道衬砌表观病害检测方法
3
作者
陈霆
雷洋
白堂博
许贵阳
机构
北京建筑大学机电与车辆工程学院
北京建筑大学城市轨道交通车辆服役性能保障北京市重点实验室
中国铁道科学研究院集团有限公司基础设施检测研究所
出处
《铁道建筑》
北大核心
2024年第3期94-99,共6页
基金
北京市自然科学基金(L221027)。
文摘
针对地铁隧道内部光线昏暗,诸多附属设备与衬砌表观病害纹理及灰度近似,病害检测精度低的问题,提出了一种基于改进YOLOv7(You Only Look Once v7)的地铁隧道衬砌表观病害与附属设施的检测方法。在原YOLOv7模型的骨干部分引入混合卷积模块(Mixed Convolutional Module,ConvMixer)并增加了微小物体检测头,降低网络复杂度并提高对微小病害的敏感度;在原YOLOv7模型的颈部将路径聚合网络(Path Aggregation Network,PANet)替换为双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN),用于捕获全局特征信息,在隧道复杂环境下精确定位;在最大池化卷积(MaxPooling Convolution,MPC)模块中引入无参注意力机制(Simple Parameter Free Attention Mechanism,SimAM),给检测目标的特征矢量赋予三维权重,以增加检测精度。检测结果表明,本文提出的改进模型的检测准确率和召回率分别达到89.1%、87.8%,且权重文件大小仅为59.6 MB,检测速率为89帧/s。该模型在保证较高检测精度的同时降低了权重文件大小,提高了检测速率,适用于隧道巡检系统。
关键词
铁路隧道
检测精度
深度学习
衬砌病害
YOLOv7
convmixer
BiFPN
SimAM
Keywords
subway tunnel
high inspection accuracy
deep learning
lining defects
YOLOv7
convmixer
BiFPN
SimAM
分类号
U456 [建筑科学—桥梁与隧道工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种基于ConvMixer骨干的显著性目标检测模型
张斯博
朱敬华
奚赫然
杜欣月
《黑龙江大学工程学报(中英俄文)》
2024
0
下载PDF
职称材料
2
基于ConvMixer架构的高效点云分类方法
王淳
赵艳明
冯燕
《中国传媒大学学报(自然科学版)》
2024
0
下载PDF
职称材料
3
基于改进YOLOv7模型的地铁隧道衬砌表观病害检测方法
陈霆
雷洋
白堂博
许贵阳
《铁道建筑》
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