基于Ghost卷积的高级别浆液性卵巢癌复发预测方法

高级别浆液性卵巢癌是一种恶性肿瘤疾病,进行术前复发预测能帮助临床医生为患者提供个性化治疗方案,降低病人的死亡率。因该疾病的医学数据较少且难以获取,导致其深度学习模型难以得到充分的训练,复发预测准确率有待提高。针对此问题,本文设计了一种改进的低参数残差网络TGE-ResNet34,以ResNet34为主干网络,将传统卷积模块用Ghost卷积代替,完成病灶区特征的提取,降低模型的参数量,在2个Ghost卷积之间融入ECA(Efficient Channel Attention)注意力机制,抑制无用特征提取的干扰,最后通过5折交叉验证模型,避免数据随机划分的偶然性。实验结果表明,改进设计的TGE-ResNet34网络准确率为96.01%,相比原基线网络准确率提高4.52个百分点,参数量减少15.98 M。

基于Ghost卷积和YOLOv5s网络的服装检测

为了降低服装目标检测模型的参数量和浮点型计算量,提出一种改进的轻量级服装目标检测模型——GYOLOv5s.首先使用Ghost卷积重构YOLOv5s的主干网络;然后使用DeepFashion2数据集中的部分数据进行模型训练和验证;最后将训练好的模型用于服装图像的目标检测.实验结果表明,G-YOLOv5s的mAP达到71.7%,模型体积为9.09 MB,浮点型计算量为9.8 G FLOPs,与改进前的YOLOv5s网络相比,模型体积压缩了34.8%,计算量减少了41.3%,精度仅下降1.3%,方便部署在资源有限的设备中使用.

基于Ghost卷积与注意力机制的SAR图像建筑物检测算法

针对深度卷积神经网络存在模型参数量大、占用内存资源等问题,提出了一种基于轻量化网络的SAR图像建筑物检测算法。首先以旋转目标检测算法R-centernet为基础,将主干网络中的传统卷积替换为Ghost卷积,并构建Ghost-ResNet网络,降低模型参数量;其次提出了融合宽高信息的通道注意力模块,增强网络对图像中显著区域的精确定位能力;使用CARAFE上采样代替网络中的DCN模块,在上采样过程中充分结合特征图信息,提高目标检测能力;最后使用改进的R-centernet算法在旋转标注的SAR图像建筑物数据集上进行训练与测试。实验结果表明,相比于原始R-centernet算法,改进后的算法准确率提高了3.8%,召回率提高了1.2%,检测速度提高了12帧/s。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

改进YOLOv7-tiny的手语识别算法研究

在与听障人士进行交流时,常常会面临交流不便的困难,文中提出一种手语识别的改进模型来解决这个困难。该模型基于YOLOv7-tiny网络模型,并对其进行了多项改进,旨在提高模型的精度和速度。首先,通过对CBAM注意力机制的通道域进行改进,解决了因降维而造成的通道信息缺失问题,并将改进后的CBAM加入到YOLOv7-tiny的Neck层中,从而使模型更加精准地定位和识别到关键的目标;其次,将传统的CIoU边界框损失函数替换为SIoU边界框损失函数,以加速边界框回归的同时提高定位准确度;此外,为了减少计算量并加快检测速度,还将颈部层中的普通卷积模块替换为Ghost卷积模块。经过实验测试,改进后网络模型的平均精度均值(mAP)、精准率和召回率分别提升了5.31%、6.53%、2.73%,有效地提高了手语识别网络的检测精确度。

基于YOLO v5的水稻害虫分类

针对水稻害虫识别过程中存在的检测难度大、模型精度低、计算量大等问题,以稻纵卷叶螟等14类水稻害虫为研究对象,改进了YOLO v5检测算法,引入高效通道注意力机制(efficient channel attention, ECA)与EIoU(efficient-IoU)损失函数,并结合Ghost卷积,提出了一种基于改进的YOLO v5水稻害虫识别方法:(1)通过引入ECA注意力机制实现对水稻害虫识别过程中重要信息的处理,采用跨通道信息交互,保证模型性能和降低复杂度;(2)引入EIoU损失函数代替CIoU(complete-IoU)损失函数,从而降低原有CIoU损失函数存在的回归精度问题;(3)利用Ghost卷积替换CBS模块及C3模块中的标准卷积,实现模型轻量化处理。结果表明,改进后的模型较原始YOLO v5模型精度略微提升,参数量减少,模型体积降低至7.38 MB,较原模型减少了46%,与YOLO v7、Faster-RCNN模型相比,mAP比YOLO v7高1.49百分点,比Faster-RCNN高12.89百分点,且本研究模型体积最小,检测速度满足实时性要求,使水稻害虫检测识别能够更加高效地完成,为水稻害虫检测提供了一种更优的方法,对于防治水稻害虫有重要意义。

基于改进U-Net的轻量级眼底病变分割算法设计

精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原U-Net网络中加入改进的Ghost卷积模块与多尺度特征融合模块,提出一种改进U-Net眼底病变分割图像的算法。该模型能以少量的参数量、较低的计算复杂度获得良好的分割结果。利用GhostModel替换原始卷积,设计出Ghost卷积与Ghost下采样卷积模块,在保证准确度的同时降低参数量;设计出一种轻量级的Half-UNet多尺度特征融合模块来获取多尺度信息,针对不同尺度病变目标,引入CBAM注意力机制以改善其适应性,从而更好的提取细小的病变信息。改进后的模型在e_optha与IDRiD两个公开数据集上的mIoU分别为61.42%、61.84%,F1-Score分别为70.59%、69.41%。模型参数量、FLOPs分别仅为5.48M、35.46GMac,较U-Net、Att-UNet等模型更加精简,分割精度更高。

基于SR-YOLOv8n-BCG的模糊花卉图像检测

为满足复杂环境下对模糊花卉图像快速、精确的检测需求,提出了一种组合模型SR-YOLOv8n-BCG,该模型有效地综合了SRGAN(Super-resolution generative adversarial network)的图像重建能力和YOLOv8的目标检测能力,并针对网络结构进一步改进,以提高准确率并实现轻量化。首先,SR-YOLOv8n-BCG利用SRGAN对模糊花卉图像进行超分辨处理,提高输入模型的图像质量。其次,在YOLOv8n特征提取网络中使用加权双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)替换PAN-FPN模块,以有效融合多尺度的花卉特征,并降低模型的体积。同时,引入坐标注意力机制(Coordinate attention,CA)以增强模型的特征提取能力。最后,利用Ghost卷积替换普通卷积,进一步提升检测精度并轻量化模型。结果表明,经过在自制的5类花卉数据集上的试验评估,相较于SR-YOLOv8n,SR-YOLOv8n-BCG模型在模型尺寸减小35.5%的情况下,平均精度均值提高1.2百分点,达到95.4%。表明提出的改进模型有效地提高了对模糊花卉图像检测的准确率,并实现了轻量化以适应低配的设备。

真空检漏机器人目标识别技术研究

在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。为实现聚变装置泄漏设备的快速准确检测,本文以6自由度机械臂为研究对象,提出了一种GV2-YOLOv5的真空设备检测方法用于真空检漏机器人对真空设备进行识别和定位喷氦。在该方法中,结合轻量级Ghost Net V2网络构建C3GhostV2模块,同时使用轻量的Ghost卷积提取目标特征,从而降低模型参数量,提高计算速度;在特征融合网络中添加Bottleneck Transformers和ECA注意力机制,提高网络特征提取能力以及加强模型通道特征。实验结果表明,在自制数据集上,改进后的模型平均精度为93.2%,相比YOLOv5s提高了1.4%,模型参数量减少了29.5%,检测速度为92 fps,满足实时性与准确性的需求,为真空检漏机器人目标识别与定位提供了一种的解决方案。

基于改进YOLOv4-Tiny轻量化校内行人目标检测算法

深度学习常用于行人检测,为了在嵌入式设备上应用复杂的传统卷积神经网络,网络的轻量化是必然趋势,但难以兼顾速度和精度。为解决这个问题,设计了一种基于改进YOLOv4-Tiny的轻量化校内行人目标检测算法。提出了一种多尺度空洞卷积模块的改进Ghost卷积特征提取模块,同时普通卷积用深度可分离卷积代替,降低了模型复杂度,增加特征提取的多样性;构建了一种空洞深度可分离卷积的改进空间金字塔池化结构,增强上下文特征的融合,提高检测精度,减少网络参数;再引入Soft-NMS取代传统非极大值抑制,降低漏检率。实验结果表明,该算法在多个数据集和硬件平台上,其具有精度高、速度快、模型参数少和体积少等特点,可以应用于嵌入式设备。

一种基于YOLOv5的家用物体检测优化算法

针对现有家用物体检测算法模型存在的计算量大和对小目标检测效果不佳等问题,本文提出了一种基于YOLOv5的家用物体检测优化算法。采用轻量级的GhostBottleneck,代替Bottleneck结构,降低网络参数。同时,添加卷积注意力模块,强化小目标物体的特征信息,从而提高对家用小物体的检测性能。为了证明该算法的有效性,采用YOLOv5m_G、YOLOv5m_GC_a和YOLOv5m_GC_b 3种网络模型,在自建的家用物体数据集的训练集和验证集中进行训练,并在测试集上对模型的性能进行对比分析。研究结果表明,在保证检测精度的前提下,改进后的算法YOLOv5m_GC_b与原始的YOLOv5m算法相比,参数量降低了30%,计算量降低了37%,有效降低了参数量和计算量,便于更好地部署在嵌入式设备中,提高了对家用小物体的检测性能,该研究具有一定的创新性。

基于LGC的反残差目标检测算法

基于深度学习的目标检测是计算机视觉领域的研究热点,目前主流的目标检测模型大多通过增加网络深度和宽度以获得更好的检测效果,但容易导致参数量增加、检测速度降低的问题。为兼顾检测精度与速度,借鉴Ghost卷积和分组卷积的轻量化思想,提出了一种高效的轻量级Ghost卷积(LGC)模型,以采用更少的参数获得更多的特征图。在该卷积模型的基础上引入反残差结构重新设计了CSPDarkNet53,生成了一种基于LGC的反残差特征提取网络,以提高网络对全局特征信息的提取能力。使用反残差特征提取网络替换YOLOv4的骨干网络,辅以深度可分离卷积进一步减少参数,提出了一种反残差目标检测算法,以提升目标检测的整体性能。实验结果表明:相比于主流的目标检测算法,所提算法在检测精度相当的前提下,模型参数量和检测速度具有明显的优势。

基于改进YOLOv5n的轻量化光学遥感图像目标检测

针对光学遥感图像检测时存在背景复杂、目标密集、检测模型参数量和浮点计算量大的问题,提出了基于改进YOLOv5n的轻量化光学遥感图像目标检测方法。在主干网络中通过减少部分模块数量、引入无参数的SimAM注意力机制和Bottleneck Transformer结构,在参数量降低的情况下增强了网络的特征提取能力;引入Ghost卷积和使用同层跨越连接设计特征融合网络,降低模型复杂度和融合更多的特征信息;使用SIoU损失函数加快收敛速度和提升模型精度。通过在NWPU VHR-10和RSOD公开数据集上的实验结果表明,改进后的算法与原算法相比,平均精度均值(mAP0.5)分别提升了2.4%和1.5%,并且参数量减少25.4%,GFLOPs减少了21.4%。

基于改进YOLOv5的无人机小目标检测方法研究

针对无人机航拍图像检测存在小目标检测准确率低以及检测模型计算量过大的问题,提出了一种基于改进YOLOv5的无人机小目标检测方法。首先,针对小目标存在漏检的问题,在YOLOv5的特征提取网络中引入了高效通道注意力机制(ECA)模块,提高对小目标的特征提取能力,进而提高小目标检测精度;其次,针对模型计算量大的问题,将模型中的CBL模块进行改进,把其中的普通卷积替换为Ghost卷积,减少模型参数和计算量,以便于在小型嵌入式设备部署;最后为了进一步优化和改进YOLOv5算法,采用加权损失函数,以充分学习图像特征。在DOTA数据集上进行测试,实验结果表明,改进的模型提升了小目标检测效果,其mAp为73.1%,比原算法提高了1.9%,速度达到了92 ms,可以准确地完成无人机航拍小目标检测任务,同时也满足实时性要求。

基于改进YOLOv5的轻量型口罩佩戴检测算法

提出一种基于改进YOLOv5的轻量型口罩检测算法CG-YOLOv5s。结合卷积注意力机制和Ghost卷积等技术,在网络中加入CBAM-CSP、GRCM改进模块以增强特征提取能力,改善模型的计算性能,使用Alpha-CIoU损失并结合DIoU非极大抑制方法,进一步提升检测精度。结果表明,CG-YOLOv5s在对检测速度影响较小的情况下,获得了89.1%的检测精度,模型大小减少了19.63%,实现了模型轻量化的效果。

基于YOLO算法的无人超市商品图像识别研究

商品识别是无人超市管理的重要环节之一。为提升商品识别速度与精度,本文提出了一种基于YOLOv5模型的改进方法。首先,拍摄不同种类的商品并采用数据增强方式丰富样本数据集;其次,在算法中添加注意力机制来解决特征提取时无注意力偏好问题,从而提升检测准确度;最后,通过在骨干段中将普通卷积网络替换成Ghost卷积网络,降低网络参数带来的计算负担,进而提高目标识别速度。实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络的识别准确率达到91.1%,比原模型提升了2.8%;mAP@0.5达到了99.1%,比原模型提升了6.7%;识别速度达到了42.3 FPS,提升了2.5 FPS。

基于高分辨率网络的轻量型人体姿态估计方法

在高分辨率网络(HRNet)的基础上,提出一种融合Ghost卷积的轻量型高分辨率网络(GLHRNet)。首先使用Ghost卷积模块和极化自注意力(PSA)模块在HRNet中构建新的残差块结构,新的残差块结构可以在减少网络模型参数量和计算量的同时,建模高分辨率图像的长距离依赖关系。接着在新网络模型中引入IBN-Net的设计思想,在新网络模型的浅层同时使用批量归一化和实例归一化,为网络模型引入外观不变性,减小光照变化问题对模型的影响。算法在COCO人体姿态估计数据集上的实验结果表明,与HRNet相比新网络模型的参数量降低了36.1%,计算量降低了35.2%,人体姿态估计的平均准确率提高了1.4个百分点。

基于深度学习的多模态行人检测算法

针对全天候工作的多模态行人检测算法体积大、运算量高、效率不足的问题,提出一种基于深度学习MBNet算法搭建的轻量级多模态行人检测算法(G-MBNet)。采用ResNet18算法并结合跨阶段链接的思想搭建CSP-ResNet18轻量级特征提取网络,以保证检测算法精度;引入轻量级高效通道注意力(ECA)模块来提升特征提取网络对重要特征的关注能力,在引入极少参数的情况下提升算法的检测精度;通过引入轻量级Ghost卷积模块来重构MBNet算法的特征提取网络,在保证特征提取性能的情况下进一步降低算法的参数与体积,提升算法的检测速度。采用所提的GMBNet算法在KAIST行人数据集进行测试,实验结果表明:G-MBNet算法大小是原始算法的32.33%,参数量是原始算法的37.81%,检测速度是原始算法的1.53倍;G-MBNet算法可在保证行人识别精度的情况下有效提升检测速度。

基于Ghost-YOLOv5s的SAR图像舰船目标检测

基于星载合成孔径雷达(synthetic aperture radar,SAR)图像的舰船目标检测中,为了平衡模型大小与检测精度,提出了一种基于Ghost卷积的SAR图像舰船目标检测方法Ghost-YOLOv5s。在YOLOv5s的颈部引入Ghost卷积,以减少模型参数和压缩模型体积;将高效的通道注意力机制(efficient channel attention,ECA)融入到颈部的C3模块里,以突出重要特征,从而保持较高的检测性能;使用SIoU损失函数替换原来的CIoU损失函数,以减少预测框和真实框之间的偏差,提高检测算法精度。实验结果表明,在SSDD遥感数据集上,改进模型与YOLOv5s相比,模型参数量减少了6.28%,模型体积减小了6.21%,检测精度达到了98.21%,实现了模型大小与检测精度的平衡。