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。

基于相位变换和GhostNet-门控循环单元的自动调制识别方法

针对信号调制方式低信噪比条件下识别准确率不高的问题,提出了一种由相位变换、GhostNet、压缩与激励网络(Squeeze and Excitation Network,SENet)、门控循环单元(Gated Recurrent Unit,GRU)和深度神经网络组成的模型,用于自动调制识别接收信号。首先,采用基准数据集RML2016.10a和RML2016.10b同相正交数据作为模型输入;其次,构建识别模型,其中,相位变换用于降低相位偏移对调制识别的影响,GhostNet和GRU分别用于提取调制信号的空间特征和时间特征,SENet用于对特征图权重进行调整;而后,通过深度神经网络进行分类;最后,对所提模型进行了训练及测试。实验结果表明:与现有模型CGDNet、CLDNN、IC-AMCNet、MCLDNN和LSTM相比,所提出模型显著降低了参数量,有效提升了低信噪比条件下的识别准确率,平均识别准确率分别达到62.30%和64.45%。

轻量化篮球裁判手势识别算法

针对一般手势识别算法的参数量、计算量和精度难以平衡的问题,提出一种轻量化篮球裁判手势识别算法。该算法在YOLOV5s(You Only Look Once Version 5s)算法的基础上进行重构:首先,用Involution算子替代CSP1_1的卷积算子,以扩大上下文信息捕获范围并减少核冗余;其次,在C3模块后加入协同注意力(CA)机制,以得到更强的手势特征提取能力;然后,用轻量化内容感知上采样算子改进原始上采样模块,并将采样点集中在目标区域而忽略背景部分;最后,利用以SiLU作为激活函数的Ghost-Net进行轻量化剪枝。在自制的篮球裁判手势数据集上的实验结果表明,该轻量化篮球裁判手势识别算法的计算量、参数量和模型大小分别为3.3 GFLOPs、4.0×10^(6)和8.5 MB,与YOLOV5s算法相比,分别减少了79%、44%和40%,mAP@0.5为91.7%,在分辨率为1920×1280的比赛视频上的检测帧率达到89.3 frame/s,证明该算法能满足低误差、高帧率和轻量化的要求。

基于改进YOLOv3的智慧足球场行人检测

由于足球比赛场景中密集人群、移动小目标居多,YOLOv3算法存在检测精确度较低且模型参数量较大等问题,使其无法部署在资源算力有限的移动设备上,本文提出了一种基于改进YOLOv3的行人检测方法,将Darknet-53主干特征提取网络替换为更加高效且轻量化的GhostNet网络;同时选取了4个尺度的检测分支层并采用K-means++算法改善anchor box的聚类效果;添加空间金字塔池化对输入图像实现相同大小的输出;提出CIoU损失函数来计算目标定位损失值;添加heatmap热力图可视化并在训练中使用Mosaic数据增强.实验结果表明,YOLOv3-GhostNet在VOC融合数据集上mAP达到90.97%的同时相比YOLOv3算法提高了1.75%,参数量减少了约81.4%且实时检测速率提高了约1.5倍,在小型移动设备上表现出不错的检测效果.

改进YOLOv5的轻量化红外交通目标检测

针对如何提高在复杂场景下红外目标检测性能以及如何平衡算法的轻量化与精确度等问题,提出了一种基于YOLOv5的轻量化红外目标检测算法。该算法设计一种融合并行卷积的Ghost特征提取模块,利用结构重参化的思想,在推理时将模型简化,降低模型的复杂度且加快推理速度;同时对网络进行剪枝,增加了小目标检测层,提高了模型对复杂场景的检测性能;在特征融合模块设计了一种混洗Ghost模块,将Ghost特征和标准卷积特征进行混洗,尽可能减少Ghost特征对网络性能的负面影响;设计了一个解耦检测头模块,将分类与检测任务进行分解,提高了网络在复杂环境下的定位检测能力。实验结果表明,与YOLOv5s相比,提出的算法mAP提高了4.7个百分点,参数量降低了42.7%,推理延时减少了8.5%,能够在检测性能和轻量化上达到理想平衡。

融合注意力机制与GhostUNet的路面裂缝检测方法

路面裂缝是道路最为常见的缺陷,随着深度学习技术的发展,利用深度学习的方法对路面图像中的裂缝信息提取的方法愈来愈多。针对现有深度学习路面裂缝检测方法提取裂缝特征不完整导致精度低以及实时性不足的问题,提出一种融合注意力机制与GhostUNet的路面裂缝检测方法。本方法由编码器和解码器组成,将U-Net中的常规卷积改进为Ghost卷积,减少模型参数量;在编码和解码部分,为了提高对裂缝特征的提取能力,引入ECA注意力机制和残差连接,ECA注意力模块可以过滤不相关的特征信息,利用残差连接可以避免网络退化现象。为评估本方法在裂缝检测方面的有效性,使用两个公开裂缝数据集,并进行消融实验和对比实验,实验结果F1_score、P和R分别比U-Net平均提高了14.48%、14.35%和14.45%;该模型相比U-Net参数量下降了14.2 MB。该模型与同类模型比较,分割的准确率更高,参数量更少。

基于改进YOLOv5算法绝缘子缺陷检测研究

针对目前无人机巡检中绝缘子缺陷检测的目标算法识别精度不高的问题,提出了一种改进的YOLOv5算法,该方法将注意力机制融入YOLOv5s算法中获取更多细节特征,采用BiFPN替换原本的特征金字塔结构,并用改进的损失函数和非极大值抑制提升检测精度。实验结果证明,相比于传统算法,改进算法的检测平均精度和召回率分别为96.6%和97.1%,检测速度FPS达到了28.5,满足输电线路绝缘子缺陷检测准确性、轻量性及鲁棒性要求。

基于多尺度伪影生成对抗网络的磁共振成像脑肿瘤分割方法

针对磁共振成像脑肿瘤分割存在的肿瘤空间信息变化大与精细标注样本数量少的问题,提出一种基于多尺度伪影生成对抗网络的脑肿瘤影像分割方法。该方法采用三维U-Net模型来获取脑肿瘤分割结果并充当生成器,引入三维PatchGAN作为判别器来评判U-Net输出的脑肿瘤结果与真值标签,通过对抗学习方式来进行模型训练。为提升脑肿瘤分割效果,在生成器编码阶段引入伪影模块,使得在卷积过程中能够捕获到更丰富的深度特征而提升生成器的脑肿瘤生成结果;同时,在解码过程中采用多尺度特征融合方式来有效整合脑肿瘤的浅层信息与深层信息,并在对抗学习中进一步提升分割性能。在公开的BraTS2019-2020数据集上对该方法进行了评估,实验结果验证了所提出方法在脑肿瘤分割任务中的有效性,在两个验证集上获得的全肿瘤、核心肿瘤和增强肿瘤分割Dice值分别为0.902/0.903、0.836/0.826和0.77/0.782。

PXE网络克隆技术在电子阅览室中的应用

介绍了PXE技术的基本原理,并分析了它的启动过程,在此基础上提出了利用MAXDOS软件和远程唤醒技术以及自动修改计算机名和IP地址软件来快速高效安装高校图书馆电子阅览室电脑操作系统的方法。

网络机房的维护

介绍了网络机房的日常维护方法 .详细阐述了每台单机在只有硬盘 ,无软驱、光驱的网络环境下 。

基于Ghost Module的轻量级脑肿瘤3D MRI分割研究

针对当下三维CNN对脑肿瘤MRI分割时训练参数量过大、网络收敛性差、训练时间过长的问题,提出S-GG Net。先通过对轻量级结构Ghost Module进行改进形成Shuffle-Ghost Module;并以此为基础单元形成两种残差结构,网络仿造U-Net结构分别对网络的压缩路径、扩展路径进行重新构建。在公开的脑肿瘤数据集BraTs进行实验得知,文中方法在大幅缩减参数量的情况下,仍然能够保证训练效果。

机房里如何批量安装软件系统

在学校机房这个教学环境里,经常要安装和更新教学软件,显然不能一个一个的操作,该文详细介绍了pxe网克的办法,希望大家能从中得到借鉴。

改进Center-Net网络的自主喷涂机器人室内窗户检测

室内自主喷涂机器人可以实现室内墙面喷涂的自动化以此提升喷涂的效率,减少人力物力的投入。而基于计算机视觉的室内窗户检测算法则是该机器人的关键技术。对于室内窗户检测,由于环境光照、窗户形状和窗户透光属性的存在,传统方法无法得到较好的效果。针对此问题,设计一种基于深度学习的室内窗户检测算法。该算法主要对中心点网络(CenterNet)的特征提取网络进行修改,减少部分卷积操作,使用Ghost模块替换原始的卷积模块,降低特征冗余,并引入注意力机制,让网络尽可能表达重要信息。实验结果表明,改进的CenterNet在不损失网络精度的前提下,大幅度提高了网络的运算速度,使得该检测算法即使在机器人端的嵌入式系统上也可以达到实时检测的效果。

硬盘保护卡的技术探究

随着计算机的普及,大批量计算机的日常维护成为一种重复、繁琐的劳动。此外,由于用户的不正当操作,以及病毒的攻击、软件的更新,机房管理人员不得不付出大量的精力来维护计算机且效率低下。为解决此类困扰,保护卡便成为了几乎所有院校机房、网吧首选设备。其中硬盘保护卡的网络克隆功能大大减轻了维护人员的重复安装的负担,硬盘保护卡的数据还原功能也相当程度上减轻了维护人员的软件维护量。

应用PXE网刻技术进行机房改造赚光驱

该文提出了一种基于PXE网刻技术的机房改造方案,此方案包括两个实例,其具有典型代表性(主板带PXE启动型及不带PXE启动型),每实例过程详尽,实践性强,完全可操作,对机房的维护管理、旧机房的改造及新机房的建设都有一定的实践指导意义。PXE网刻技术的应用不但能节省光驱等硬件的购置费用,也能大大提高网管的工作效率。

一种基于改进YOLOv5s-Ghost网络的交通标志识别方法

针对目前自动驾驶过程中对交通标志的识别检测速度慢的问题,提出一种改进的YOLOv5s-Ghost网络模型对交通标志进行识别的方法,在3×3运算核Ghost Net模型框架下,通过两个连续的Ghost模块构建的Ghost Bottleneck模块,并代替C3模块中全部的Bottleneck模块,与跨阶段局部网络(cross-stage position network, CSPNet)模块结合生成Ghost Bottleneck CSP模块。通过调整每个模块中加入Ghost Bottleneck模块的数量,对比实验数据得到最佳网络模型。分别用原网络和新网络对TT100K数据集进行训练,对比实验数据表明,YOLOv5s-Ghost模型的检测精度达95.1%,检测速度达到了52.6 FPS,模型大小压缩了69.3%,在保证原检测精度的情况下提高了网络的检测速度。

计算机机房管理之我见

学校计算机机房是计算机数量多、学生流动量大的公共实验室,在机房的管理维护中,每个机房管理技术人员都会遇到系统受到损坏、软件需要重装等问题,而数据维护工作量很大、过程很繁琐,需要花费很多的时间精力安装系统和去找驱动程序。如何对机房的计算机系统进行保护、备份和还原,以及如何充分利用机房提高上课效率,是机房管理者经常面对的难题。