Formation of the [M+NH_4]^+ Ious of Some Mouo-and Di-saccharides in Fast Atom Bombardment Mass Spectrometry

In positive-ion fast atom bombardment (FAB) mass spectrometry, when mono- and di- saccharides are mixed with an appropriate amount of NH4Cl, a highly abundan peak [M+NH4]+appers in FAB mass spectra . From the adduct ion [M+NH4]+, the molecular weights of mono- and di- saccharides can be determined definitively

目标跟踪中基于IoU和中心点距离预测的尺度估计

通过分析基于交并比(Intersection over union,IoU)预测的尺度估计模型的梯度更新过程,发现其在训练和推理过程仅将IoU作为度量,缺乏对预测框和真实目标框中心点距离的约束,导致外观模型更新过程中模板受到污染,前景和背景分类时定位出现偏差.基于此发现,构建了一种结合IoU和中心点距离的新度量NDIoU(Normalization distance IoU),在此基础上提出一种新的尺度估计方法,并将其嵌入判别式跟踪框架.即在训练阶段以NDIoU为标签,设计了具有中心点距离约束的损失函数监督网络的学习,在线推理期间通过最大化NDIoU微调目标尺度,以帮助外观模型更新时获得更加准确的样本.在七个数据集上与相关主流方法进行对比,所提方法的综合性能优于所有对比算法.特别是在GOT-10k数据集上,所提方法的AO、SR_(0.50)和SR_(0.75)三个指标达到了65.4%、78.7%和53.4%,分别超过基线模型4.3%、7.0%和4.2%.

基于IoU约束的孪生网络目标跟踪方法

基于孪生网络的跟踪方法通过离线训练跟踪模型,不需要对跟踪模型进行在线更新,兼顾了跟踪精度和速度。现有孪生网络目标跟踪方法使用固定阈值选择正负训练样本易造成训练样本漏选问题,且训练时分类分支和回归分支之间存在低相关性问题,不利于训练出高精度的跟踪模型。为此,提出了一种基于交并比(IoU)约束的孪生网络目标跟踪方法。通过使用动态阈值策略根据预定义锚框与目标真实框的相关统计特征,动态调整正负训练样本的界定阈值,提升跟踪精度。所提方法使用IoU质量评估分支代替分类分支,通过锚框与目标真实框之间的IoU反映目标位置,提升跟踪精度,降低模型的参数量。在数据集VOT2016、OTB-100、VOT2019、UAV123上进行了对比实验,所提方法均有较好的表现。在VOT2016数据集上,所提方法的跟踪精度比SiamRPN方法高0.017,期望平均重叠率为0.463,与SiamRPN++相比仅差0.001,实时运行速度可达220帧/s。

改进YOLOv8模型实现多类型肺结节检测

目前,肺结节检测通常是对实性肺结节的单一型检测,不同类型肺结节对应多种肺癌类型,多类型检测有助于提高肺癌的整体检出率,提升治愈率。为实现对实性、混合型、磨玻璃型多类型肺结节检测,对YOLOv8模型进行针对性改进。提出RepViTCAA模块对主干部分的C2f模块进行改进,提升微小肺结节检测精度并对模型进行轻量化设计。提出ECLA-HSFPN模块,重建模型特征融合部分,提升尺度不固定肺结节检测精度。将KAN网络融入模型当中,基于KAN网络非线性特征学习能力强的特性,进一步提升微小肺结节检测精度,增强模型泛化能力。基于Inner-IoU辅助框思想,对CIoU损失函数进行改进,进一步解决肺结节尺度不固定问题,提升模型检测精度。在LUNA16数据集中进行测试,改进模型相比原模型及YOLOv9、RT-DETR等主流模型各项评价指标均有提升。在4种类型(实性、磨玻璃型、混合型、微小型)肺结节的专项数据集中测试,改进模型检测效果优于原模型。在LUNA16与本地医院的混合数据集中进行泛化性测试,改进模型具有较强的泛化能力。针对多类型肺结节检测任务,模型的改进较为有效,可以准确检测不同类型的肺结节。

YOLOv8改进算法在油茶果分拣中的应用

现有的油茶果分拣系统所依赖的YOLO等算法的目标检测、实例分割在低尺寸及密集型样本中鲁棒性较差,存在机械臂常抓取到枝叶、抓取不牢固、易脱落等问题。大部分系统使用目标识别,无法准确识别油茶果具体轮廓信息,不能对油茶果进行大小分类。针对这一问题,研究提出了YOWNet模型应对油茶果分拣的小目标、高密度识别任务。首先,研究了自动化边缘标注脚本,脚本调用零样本Segment Anything框架对原有已标注的油茶果目标检测框提取兴趣区间,将其自动转化为边缘标注信息;其次,为了提高模型对小目标的识别能力,研究摒弃了现有的固定感受野的卷积模块,针对油茶果特性提出三维注意力动态卷积模块用于捕捉特征图中的关键信息;最后,研究通过使用Wise⁃IoU损失函数,基于动态非单调聚焦机制的边界框损失,提升边框回归精度。总体网络模型命名为YOWNet,通过与YOLOv8在油茶果上的消融实验对比,试验结果表明:YOWNet模型能够快速准确地识别油茶果实例,在私有数据集上,准确度、Box_loss可达89.90%和0.523。

基于EFN-YOLO的钢管表面缺陷检测

针对目前钢管表面缺陷视觉检测方法存在小目标缺陷难以识别的问题,提出一种基于EFN-YOLO的缺陷实时检测方法。首先,结合NWD度量和Iou loss,提出改进型N-iou loss,增强小缺陷目标的感知能力;其次,采用Efficient Former特征提取模块嵌入主干网络融合局部和全局特征信息,提高对细小且聚集缺陷目标的识别能力;接着,采用轻量化C2f特征提取模块替换原Yolov5的C3层,降低模型的参数量和复杂度,丰富图像的梯度流信息;最后,结合现场采集的钢管表面缺陷图片,对检测方法进行试验验证。结果表明,相较于改进前检测方法的mAP值提升5.8%,有效提升钢管表面细小缺陷检测能力,且FPS达到31,完全满足工业现场实时检测要求。

基于Web-IOU的大型企业网的设计与开发

现代社会越来越离不开网络,大型企业组建网络成为越来越普遍的趋势。大型企业在实际组网前往往要进行可行性的分析与研究,需要通过模拟软件建构真实的网络环境,以确保现实中的网络运行正常。本文是基于Web-IOU软件平台进行一则大型企业网的设计与开发,为企业组网提供可行性的实施方案。

基于自适应聚焦CRIoU损失的目标检测算法

在目标检测任务中,传统的边界框回归损失函数所回归的内容与评价标准IoU(Intersection over Union)之间存在不相关性,并且对于边界框的回归属性存在一定不合理性,使得回归属性不完整,降低了检测精度和收敛速度,甚至还会造成回归阻碍的情况。并且在回归任务中也存在样本不均衡的情况,大量的低质量样本影响了损失收敛。为了提高检测精度和回归收敛速度提出了一种新的边界框回归损失函数。首先确定设计思想并设计IoU系列损失函数的范式;其次在IoU损失的基础上引入两中心点形成矩形的周长和两框形成的最小闭包矩形周长的比值作为边界框中心点距离惩罚项,并且将改进的IoU损失应用到非极大值抑制(Non-Maximum Suppression,NMS)处理中。接着引入两框的宽高误差和最小外包框的宽高平方作为宽高惩罚项,确定CRIoU(Complete Relativity IoU,CRIoU)损失函数。最后在CRIoU的基础上加入自适应加权因子,对高质量样本的回归损失加权,定义了自适应聚焦CRIoU(Adaptive focal CRIoU,AF-CRIoU)。实验结果表明,使用AF-CRIoU损失函数对比传统非IoU系列损失的检测精度最高相对提升了8.52%,对比CIoU系列损失的检测精度最高相对提升了2.69%,使用A-CRIoU-NMS(Around CRIoU NMS)方法对比原NMS方法的检测精度提升0.14%。将AF-CRIoU损失应用到安全帽检测中,也达到了很好的检测效果。

一种用于目标跟踪边界框回归的光滑IoU损失

边界框回归分支是深度目标跟踪器的关键模块,其性能直接影响跟踪器的精度.评价精度的指标之一是交并比(Intersection over union,IoU).基于IoU的损失函数取代了l_(n)-norm损失成为目前主流的边界框回归损失函数,然而IoU损失函数存在2个固有缺陷:1)当预测框与真值框不相交时IoU为常量0,无法梯度下降更新边界框的参数;2)在IoU取得最优值时其梯度不存在,边界框很难收敛到IoU最优处.揭示了在回归过程中IoU最优的边界框各参数之间蕴含的定量关系,指出在边界框中心处于特定位置时存在多种尺寸不同的边界框使IoU损失最优的情况,这增加了边界框尺寸回归的不确定性.从优化两个统计分布之间散度的视角看待边界框回归问题,提出了光滑IoU(Smooth-IoU,SIoU)损失,即构造了在全局上光滑(即连续可微)且极值唯一的损失函数,该损失函数自然蕴含边界框各参数之间特定的最优关系,其唯一取极值的边界框可使IoU达到最优.光滑性确保了在全局上梯度存在使得边界框更容易回归到极值处,而极值唯一确保了在全局上可梯度下降更新参数,从而避开了IoU损失的固有缺陷.提出的光滑损失可以很容易取代IoU损失集成到现有的深度目标跟踪器上训练边界框回归,在LaSOT、GOT-10k、TrackingNet、OTB2015和VOT2018测试基准上所取得的结果,验证了光滑IoU损失的易用性和有效性.

一种改进IoU损失的边框回归损失函数

针对目标检测任务边框回归精度低、模型收敛速度慢的问题,提出一种基于Io U损失的改进边框回归损失函数。为了提高Io U损失函数的精度和速度并保持损失函数的尺度不变性,在Io U损失中引入了归一化距离信息作为惩罚项;为了满足训练前期快速收敛和后期高精度要求,在惩罚项中分阶段采用了距离信息的不同范数形式。实验结果表明,改进Io U损失函数在Vis Drone数据集AP50指标和PASCAL VOC数据集m AP指标上达到了34.84%和71.67%的精度,比Io U损失相对提升了4.00%和1.17%,比DIo U回归损失相对提升了1.63%和0.43%,在边框回归任务中取得了更加优越的性能。

基于IOU分析的稀疏视频检测技术研究

基于深度学习的目标检测技术发展迅速,检测性能不断提高。然而,在视频检测应用中,由于视频数据量较大且实时性约束严格,导致目标检测算法的计算资源消耗极高。针对视频检测算法的巨额计算资源消耗问题,本文提出了一种基于深度学习的目标检测算法和目标追踪算法自适应结合的稀疏视频检测方法,能够动态地基于目标区域交并比(IOU)分析,自适应地利用计算资源消耗较小的目标追踪算法替代目标检测算法进行视频分析,从而在保障视频检测准确率的前提下,大幅降低计算资源开销,并进一步提高了视频检测的鲁棒性。

IOU在网络规划与系统集成实践教学中的应用

该文针对当前计算机网络规划与系统集成课程实践教学存在的问题,提出了利用IOU模拟器进行辅助教学的方法。以园区企业网规划与组网实现的典型案例,重点阐述了IOU的网络拓扑构建与关键组网技术配置方法,为相关课程实践教学提供参考。

深度学习与特征多尺度融合的PCB表面缺陷检测

印刷电路板(Printed Circuit Board,PCB)作为电子设备的核心,其性能和可靠性对电子产品至关重要。鉴于传统检测方法在效率和准确性上的局限性,旨在通过技术创新显著提升PCB缺陷检测的性能。为此,构建了YOLOv8-Defect模型,该模型在YOLOv8的基础上进行优化,包括引入SEAttention机制、Soft-NMS算法和Wise-IoU技术,并对C2f架构进行了升级至C3架构。通过先进的数据增强技术和模型训练策略,YOLOv8-Defect在检测PCB表面缺陷方面实现了性能的显著提升。实验结果表明,该模型不仅能够高效地识别电路板上的微小缺陷,还能实现实时监控,确保了检测过程的连续性和即时性。研究成果不仅为工业质量检测领域带来了创新的解决方案,也彰显了深度学习技术在解决实际工业挑战中的巨大应用潜力,为电子设备质量和生产效率的提高提供了坚实的技术支撑。

基于Faster R-CNN和IoU优化的实验室人数统计与管理系统

针对人员位置相对固定的场景中实时人数统计的管理需求,以普通高校实验室为例,设计并实现了一套基于更快速的区域卷积神经网络(Faster R-CNN)和交并比(IoU)优化的实验室人数统计与管理系统。首先,使用Faster R-CNN模型对实验室内人员头部进行检测;然后,根据模型检测的输出结果,利用IoU算法滤去重复检测的目标;最后,采用基于坐标定位的方法确定实验室内各个工作台是否有人,并将相对应的数据存入数据库。该系统主要功能有:①实验室实时视频监控及远程管理;②定时自动拍照检测采集数据,为实验室的量化管理提供数据支撑;③实验室人员变化数据查询与可视化展示。实验结果表明,所提基于Faster R-CNN和IoU优化的实验室人数统计与管理系统可用于办公场景中实时人数统计和远程管理。

Web IOU软件在计算机网络实验教学中的应用

网络技术的突发猛进对网络课程的实验教学环节带来的新的挑战。应用Web IOU软件搭建虚拟网络实验环境,以路由热备份协议HSRP的配置实验为例,介绍虚拟网络实验环境的建立过程与实验步骤。

基于Web IOU和VMware的虚拟网络实验室研究

网络实验室需要大量的网络设备,在教学实验中往往采用模拟器模拟网络设备。在分析了Cisco Packet Tracer、GNS3、Web Iou网络设备模拟器的优缺点后,提出了基于Web Iou和Vmware的虚拟网络实验室,用案例证实了Web IOU和Vmware构建虚拟网络实验室的可行性,并测试了Web IOU和Vmware的资源占用情况。

基于自适应锚框分配与IOU监督的复杂场景SAR舰船检测

针对复杂场景舰船检测中正负样本分配不合理以及定位质量较差的问题,该文提出了一种基于自适应锚框分配与交并比(IOU)监督的复杂场景合成孔径雷达(SAR)舰船检测方法(A3-IOUS-Net)。首先,A3-IOUS-Net提出了自适应锚框分配,建立概率分布模型来自适应地将锚框分配为正负样本,增强了复杂场景下的舰船样本学习能力。然后,A3-IOUS-Net提出了IOU监督,在预测头部增加IOU预测分支来监督检测框定位质量,使得网络能够精确定位复杂场景下的舰船目标。此外,在该IOU预测分支中引入了坐标注意力模块,抑制了背景杂波干扰,进一步提高了检测精度。在公开的SAR舰船检测数据集(SSDD)的实验结果表明,A3-IOUS-Net在复杂场景中的平均精度(AP)值为82.04%,优于其他15种对比模型。

浅谈IOU在计算机网络课程教学中的应用

本文针对当前计算机网络课程教学当中存在的问题,提出了利用Cisco IOU模拟器进行辅助教学的方法,运用单臂路由实验验证了方法的可行性,说明了该方法具有很好的实际应用价值。

用DF理论解释iou、uei、uen的省写规则

在关于《汉语拼音方案》的争论中,iou、uei、uen的省写规则一直是焦点之一。有人主张放弃这条规则,也有人极力推崇这条规则。本文根据生成音系学的区别性特征理论指出,这三个韵母的韵腹拼写时是可以省略的。