基于YOLOv5s和双稳随机共振的夜间车辆检测算法

针对夜间车辆检测过程中光照不强导致漏检误检的问题,基于YOLOv5s和双稳随机共振提出一种改进的夜间车辆检测算法。YOLOv5s从4方面进行改进:1)在Backbone和Neck中更换细小结构,提高网络对小目标的检测能力;2)加入由坐标注意力CA和能量注意力SimAM构成的双注意力机制,提高网络对目标的特征提取能力;3)采用轻量化骨干Fasternet,减少模型参数量;4)在Head中采用WIoU损失函数,加快边界框回归损失的收敛速度。利用经典的双稳随机共振对夜间车辆数据集进行低照度图像增强,分析其有效性,并将增强后的夜间车辆图像传入改进的YOLOv5s网络进行训练。实验结果表明,相较于原始YOLOv5s,融合改进的YOLOv5s和双稳随机共振的夜间车辆检测算法在执行远景小目标以及密集遮挡的夜间车辆检测任务时具有更高的准确率和更低的漏检率。

利用跨模态轻量级YOLOv5模型的PET/CT肺部肿瘤检测

多模态医学图像可在同一病灶处提供更多语义信息,针对跨模态语义相关性未充分考虑和模型复杂度过高的问题,该文提出基于跨模态轻量级YOLOv5(CL-YOLOv5)的肺部肿瘤检测模型。首先,提出学习正电子发射型断层显像(PET)、计算机断层扫描(CT)和PET/CT不同模态语义信息的3分支网络;然后,设计跨模态交互式增强块充分学习多模态语义相关性,余弦重加权计算Transformer高效学习全局特征关系,交互式增强网络提取病灶的能力;最后,提出双分支轻量块,激活函数簇(ACON)瓶颈结构降低参数同时增加网络深度和鲁棒性,另一分支为密集连接的递进重参卷积,特征传递达到最大化,递进空间交互高效地学习多模态特征。在肺部肿瘤PET/CT多模态数据集中,该文模型获得94.76%mAP最优性能和3238 s最高效率,以及0.81 M参数量,较YOLOv5s和EfficientDet-d0降低7.7倍和5.3倍,多模态对比实验中总体上优于现有的先进方法,消融实验和热力图可视化进一步验证。

结合超轻量级双注意力模块的ShuffleNetV2面部表情识别

针对面部表情识别领域中难以同时实现低参数量与高准确率的挑战,提出了一种结合注意力机制的ShuffleNetV2网络的面部表情识别方法。该方法基于ShuffleNetV2架构,通过微调模型将Relu激活函数替换为PRelu激活函数,进一步提升了模型的特征捕获与分类能力。此外,本文创新性地引入了一种超轻量级双注意力模块LDAM,该模块结合了DCAM注意力机制与空间注意力机制,并通过捷径连接技术集成到优化后的ShuffleNetV2模型中,以增强模型对细节特征的识别能力及分类效果。在FER2013和CK+两大公认的面部表情识别数据集上的实验结果显示,本方法分别达到了69.12%和94.77%的识别准确率,同时保持了低至1.25的模型参数量。这一成果不仅展示了在保持模型轻量化的同时提升识别性能的可能性,而且通过实验验证了所提出方法的高效性和实用性。

基于双通道Transformer的地铁站台异物检测

Transformer因其全局注意力优势在异物检测上取得了比卷积神经网络(CNN)更具竞争力的结果,但依然面临计算成本高、输入图像块尺寸固定、局部与全局信息交互匮乏等问题。提出一种基于双通道Transformer骨干网络、金字塔轻量化Transformer块和通道交叉注意力机制的DualF ormer模型,用以检测地铁站台屏蔽门与列车门间隙中存在的异物。针对输入图像块尺寸固定的问题,提出双通道策略,通过设计2种不同的特征提取通道对不同尺度的输入图像块进行特征提取,增强网络对粗、细粒度特征的提取能力,提高对多尺度目标的识别精度;针对计算成本高的问题,构建金字塔轻量化Transformer块,将级联卷积引入到多头自注意力(MHSA)模块中,并利用卷积的维度压缩能力来降低模型的计算成本;针对局部与全局信息交互匮乏的问题,提出通道交叉注意力机制,利用提取到的粗细粒度特征在通道层面进行交互,优化局部与全局信息在网络中的权重。在标准化地铁异物检测数据集上的实验结果表明,DualFormer模型参数量为1.98×10^(7),实现了89.7%的精度和24帧/s的速度,优于对比的Transformer检测算法。

基于双路径特征融合的轻量级脑肿瘤分割网络

脑肿瘤是世界上最致命的癌症之一,从三维核磁共振图像(MRI)中快速、准确地分割正常脑组织和恶性肿瘤组织,对临床诊断和手术治疗都至关重要.近年来,基于卷积神经网络的分割架构,特别是3D U-Net架构在脑肿瘤分割方面取得了巨大成功.然而,现有的基于3D U-Net的网络存在下采样信息丢失的问题,缺乏自动聚焦小尺度病灶的能力,编码器和解码器之间的全局上下文信息交互不够充分,并且参数量大、计算开销高.针对上述问题,提出一种双路径特征融合的轻量级脑肿瘤分割网络.首先,该网络通过增加一条分支路径,将原始数据中的低级细节信息添加到编码器的各层中,弥补下采样带来的特征信息损失.其次,提出一种多层金字塔制导模块代替传统的跳跃连接,增强解码器不同层次的全局上下文信息获取能力.最后,在输出层引入多视图级联注意力模块,利用肿瘤不同区域的包含关系,使网络从各个视图自动聚焦小尺度肿瘤区域.在BraTS2020数据集上的实验结果表明,采用0.55×10^(6)参数量和41.21×10^(9)浮点运算次数,该网络在增强肿瘤、全肿瘤和肿瘤核心的Dice系数分别可达78.64%、89.51%和83.77%.此外,在BraTS2018数据集上进一步评估该网络的性能,实验结果表明:该网络在保持较小计算量的同时,显著提高了对脑肿瘤各病灶区域的定位能力和分割性能,在临床实践中具有重要意义.

双重轻量化PCB缺陷检测算法研究

针对PCB缺陷检测方法存在检测速度慢、对部署设备要求高等问题,本文提出一种双重轻量化PCB缺陷检测算法。首先在YOLOv5主干网络中采用轻量化模块C3Ghost;然后利用GSConv模块和C3GS模块搭建特征融合网络,用来获取主干网络丢失的部分语义信息和提高网络检测速度;最后利用多任务全局通道剪枝修剪对网络精度影响较小的通道,进一步减少模型的参数量和计算量。该算法在PKU-Market-PCB数据集上进行测试,平均精度值为98.9%、模型大小为5.2M、模型参数量为2393469、检测时间为3.3ms。对比原算法,其模型大小、模型参数量和检测时间分别减少64%、66%和25%。

基于无人船的双分支解码轻量型分割网络研究

为保证水面无人艇(USVs)进行水上任务时能够顺利航行,需要对河道信息进行精确的提取,因此,对河道语义分割的网络模型进行了研究。针对河道图像分割中类间不一致和类内不一致的问题,文中提出了分割网络DBDL-Net,网络中设计双分支解码结构和双重损失函数,分别把握语义信息和空间信息;同时在编码部分设计了多尺度残差的轻量模块,一方面减少参数,一方面以不同的比例捕捉特征信息。最后在USVIn-land数据集上对模型进行消融和对比实验,实验结果表明:DBDL-Net的精确度和平均交并比最终达到了93.619%和87.682%,与其他先进分割网络相比,DBDL-Net也具有更佳的综合表现。

卷积和自注意力融合的单图像超分辨率网络

近年来,超分辨率重建已经成为图像处理领域的一个研究热点。然而,超分辨率重建面临着诸多挑战,当模型参数过大时,虽然能取得良好的性能,但需要巨大的内存成本。针对目前大多数图像超分辨率网络无法做到既能实现良好的性能,又能保持网络模型轻量级的问题,提出了一种用于单图像超分辨率的新型轻量级双阶段网络。具体来说,设计了一种轻量级卷积模块用于局部特征提取,同时引入了一种轻量级Transformer模块学习图像的长期依赖关系,用于建模全局信息。实验结果表明,所提模型在客观评价指标和视觉效果上均表现良好。

融合结构化卷积和双重注意力机制的轻量级眼底图像分割网络

眼底血管图像的自动分割对于多种眼科疾病的计算机辅助诊断具有重要作用.针对血管的尺度差异和图像噪声导致眼底血管图像分割困难、使用单一尺度卷积运算的深度学习方法获取的特征感受野有限,以及现有的方法复杂度过高的问题,提出一个融合结构化卷积和双重注意力机制的轻量级眼底图像分割网络.通过编码器增强、减少下采样次数和特征深度的编码-解码网络设计,实现参数量只有0.63M的轻量化网络.在编码阶段,提出一种结构化卷积方法,有效地避免了网络训练过拟合,提高了网络捕获差异化血管特征的能力;在解码阶段,采用基于空间和通道的双重注意力机制,使网络更加关注血管特征的上下文和几何空间信息,抑制病变等噪声的干扰.在DRIVE,CHASE_DB1和STARE数据集上进行实验的结果表明,所提网络图像分割的准确率分别为96.92%,97.57%和97.51%,灵敏度分别为83.68%,84.99%和84.87%,受试者曲线下的面积(AUC)分别为98.67%,99.05%和99.02%;并通过在DRIVE和STARE数据集上的交叉训练,验证了该网络的泛化能力.

深度融合网络在街道场景中的应用

针对轻量化网络结构从特征图提取有效语义信息不足,以及语义信息与空间细节信息融合模块设计不合理而导致分割精度降低的问题,设计一个深度融合空洞金字塔和一个语义融合模块,以进一步提取语义信息并进行深度融合。主干网络中采用双分支深度融合网络,通过设计的深度融合空洞金字塔结构进一步提取信息,在空间信息与语义信息融合的过程中,采用语义融合模块将深层次的语义信息与浅层次的空间信息进行自底向上逐步融合的方式,从而提高网络语义分割性能。最后,将所设计的网络结构在城市景观数据集上进行实验,取得了77.6%的平均交并比,对比其他网络结构,其能够有效提高分割结果。

基于改进YOLOv4的轻量级目标检测算法研究

针对YOLOv4目标检测算法在一些应用场景的参数多、网络复杂、精度低等问题,提出一种改进的轻量级的目标检测算法GD-YOLO.首先,通过使用轻量级网络GhostNet替换掉YOLOv4的主干特征提取网络CSPDarknet,GhostNet网络极大降低了算法的参数量及计算量,使得算法更加轻量化;其次,提出双重注意力机制(DATM),其不仅增强模型对空间和通道上的特征进行加强,而且其结构参数量小,使用在对主干网络提取出来的三个有效特征层添加双重注意力机制,让模型对特征提取更加有效;最后,新增ACON激活函数代替原有的GhostNet网络中的ReLU激活函数,进一步提高算法检测精度.在VOC2007+2012数据集上的实验结果表明,GD-YOLO算法的平均准确率(mAP)达到84.28%,与YOLOv4算法相比提升了4个百分点,与YOLOv5算法相比低了大约1个百分点;从模型参数量方面,与YOLOv4算法相比减少了11 M,与YOLOv5相比减少3 M.所提GD-YOLO算法相对于YOLOv4不仅减少了模型参数量,而且也保存了较高的平均准确率,表明该算法是更具有轻量化及高准确率的.

双通道旋变发送机转子轻量化设计

以扭转刚度和质量为研究目标,通过采用不同材料和合理优化结构尺寸的方法,提出了6种优化方案,应用ANSYS-Workbench有限元软件对双通道旋变发送机转子进行了轻量化设计。在满足强度要求的前提下,综合考虑了扭转刚度和质量,得到了双通道旋变发送机转子轻量化设计的最优方案,并通过实验验证了有限元模型的可靠性。

基于轻量化视觉Transformer的花卉识别

由于不同种类花卉之间的相似性以及同种花卉的差异性,提取局部特征信息的卷积神经网络(CNN)在花卉图像的识别上取得的结果不够理想。在Swin Transformer(Swin-T)网络的基础上,提出了一种轻量型的Transformer网络LWFormer。首先,该网络将基于移动窗口的PoolFormer模块引入Swin-T网络的第一、二阶段,对网络进行轻量化。其次,引入了双通道注意力机制,2个独立的通道分别关注了特征图的“位置”和“内容”,提高网络提取全局特征信息的能力。最后,使用了对比损失函数,进一步优化了网络的性能。在Oxford 102 Flower Dataset和104 Flowers Garden of Eden这2个公开的数据集上对改进的模型进行评估,并与其他方法进行对比,在这2个数据集上,分别得到了88.1%与87.3%的准确率。与Swin-T网络相比,该网络参数量降低了33.45%,FLOPs降低了28.89%,throughtput提高了91.45%,准确率提高了1.8%。实验结果表明,该网络在提升了准确率的同时降低了参数量,得到了速度与精度地提升。

基于双流结构缩放和多重注意力机制的轻量级脑电情感识别方法

脑电情感识别是一个复杂程度高、信息密度大、海量数据的多通道时序信号分类问题。为在保持现有分类精度的情况下减少计算参数量,实现脑电情感识别的精度与性能最优,提出了一种基于双流结构缩放和多重注意力机制的轻量级网络(LDM-EEG)。该网络以基于脑电信号的微分熵特征构造的时域-空域图谱和频域-空域图谱作为输入,采用对称的双流结构对上述两种特征分别处理,通过节约参数的新型残差模块和网络缩放机制来实现轻量化,并利用新型的通道-时/频-空多重注意力机制和后注意力机制提升模型特征聚合能力。实验结果表明,在参数量明显减小的情况下,模型在SEED数据集上实现了95.18%的准确率,达到了领域的最优结果。进一步地,在略低于现有模型准确率的基础上,其将参数量缩减了98%。

基于改进轻量化YOLOv5s的卷烟厂烟草粉螟视觉检测方法

针对卷烟厂仓储车间在检测烟草粉螟时普遍存在的检测速度慢及检测精度低的问题,研发了一种基于改进轻量化YOLOv5s的卷烟厂烟草粉螟视觉检测方法。该方法利用特征图之间的相关性和冗余性设计EESP-Ghost模块,并以该模块为基础设计融合高效空间金字塔的双重注意力Ghost-bneck模块,将其引入到YOLOv5s模型中以实现深度神经网络模型的轻量化,同时提高检测精度。利用烟草粉螟数据集对该方法进行验证实验,结果表明,该方法在参数量仅为原始YOLOv5s参数量49.88%的情况下,检测平均精度(mAP)提升了4.37%。该方法在真实检测场景下对粘附到粘虫板上的烟草粉螟进行检测时,检测置信度、正确检测数均较高,可实现对卷烟厂烟草粉螟的高精度实时检测,为烟草粉螟的有效防治提供保障。

基于FPGA的GIFT分组密码算法实现

GIFT算法作为PRESENT算法的改进版本,结构上更加简洁高效,在FPGA上运行时,性能仍然存在提升空间。对此提出了一种新的实现方案,通过将算法的40轮迭代计算优化为20轮迭,并将加解密与轮密钥生成操作并行执行。在xc6slx16 FPGA平台综合后,频率可达194 MHz,吞吐量可达1.2 Gbps,消耗时钟周期21个,结果表明,所提方法相比现有工作具有更好的性能表现和更少的时钟周期消耗,实现在FPGA上高速运行是切实可行的。

基于双分支融合策略的遥感建筑物提取轻量化网络

针对高分辨率遥感影像建筑物提取时带来的庞大参数与计算量的问题,文章提出了双分支策略融合的轻量化语义分割网络。网络包含全局特征信息提取分支和空间信息提取分支。双分支共享图像底层特征,全局特征信息提取分支连续利用mobileNetV2中的反向瓶颈残差块结构提取特征,并利用空洞空间金字塔池化模块融合多尺度特征;空间信息提取分支添加卷积块注意力模块,更关注待分割区域的细节特征,实现精细化特征融合。最后将双分支特征融合,利用双线性插值上采样恢复图像大小。将文章模型在WHU建筑物影像数据集上进行实验,正确提取建筑物准确度可达92.09%,IoU达86.28%,模型参数大小仅为1.19 M,保证了建筑物提取精度的同时达到了轻量化预期。

基于轻量化网络的眼部特征分割方法

针对高分辨率眼部图像的瞳孔、虹膜特征快速识别与检测问题,提出了一种轻量化语义分割网络DIA-UNet(double input attention UNet).它采用对称双编码结构同步获取眼部灰度图及其轮廓图特征,并通过双注意力机制实现了解码端的特征筛选,将深层融合特征作为语义分割输出.在CASIA-Iris-Interval和高分辨率瞳孔数据集上测试结果表明,与其他轻量化语义分割网络相比,本文提出的DIA-UNet在保证虹膜、瞳孔分割准确率的同时网络参数个数仅有0.076 Million,处理速度高达123.5 FPS.

软件总线体系结构的研究与应用

设计一种轻量级软件总线体系结构,将软件总线思想引入到单机软件系统的定制与集成.软件总线技术源于分布式异构环境搭建提出的,应用于分布式系统.对传统软件总线结构进行改进,采用双总线结构,摒除不必要的分布式功能,使轻量级软件总线成为一种适用于单机环境的软件体系结构.通过创建一个基于轻量级软件总线体系结构的模拟银行服务排队系统,验证轻量级软件总线作为单机软件系统的搭建架构具有可行性.

轻质钢的研究进展(二)——铁素体—奥氏体双相轻质钢和奥氏体轻质钢

首先主要阐述了富Al铁素体—奥氏体双相轻质钢和奥氏体轻质钢的微观组织特征、力学性能和强韧化机制。尽管添加Al可以降低钢的密度和提高比强度,但是它会使钢的弹性模量显著降低。针对这一不利属性,介绍了一种切实可行的提高轻质钢(以及碳钢)弹性模量的措施,即利用凝固过程中原位自生高弹性模量的硬质颗粒(如Ti C和Ti B2等)来增强钢的基体。所形成的颗粒增强钢基复合材料可以具有较常规碳钢和富Al轻质钢更高的弹性模量和比弹性模量。