一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFBNet模型。算法在RFBNet模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFBNet模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。

改进U-Net网络的结直肠息肉分割模型

针对结直肠息肉边界模糊性和形状、大小多样性导致的分割不精确的问题,基于U-Net网络构建级联卷积注意力模块,以保留更多的有用特征;采用多尺度特征聚合模块来捕捉更多的特征与细节;将空间注意力嵌入到感受野模块,扩大网络感受野的同时提供更丰富的空间信息表示。实验结果表明,该模型在Kvasir数据集上展现出了良好的分割效果。相比传统U-Net模型,其在IoU,Dice上分别提高了3.14%,5.31%,在医学影像计算机辅助诊断中具有很大的应用潜力。

基于RFB-Net的摩托车驾驶人头盔检测研究

近年来,计算机视觉方向深度学习的卷积神经网络发展迅速并逐步应用于日常生活的检测之中。针对于摩托车手是否佩戴头盔的检测问题,论文引入RFB网络,采用VGG-16作为基础网络提取网络结构特征,改进使用了余弦衰减学习率更好地训练样本,增加了网络泛化能力。从而完成对摩托车头盔的检测。实验结果表明改进后,RFB-Net模型在摩托车驾驶人头盔检测中精度较高、速度较快,且具有较好的推广性。

基于RFB模块与注意力机制的目标检测算法

针对目标检测算法中深度卷积网络提取特征图关联性不足导致的检测精度下降问题,提出一种基于群体感受野模块(Receptive Field Block, RFB)与坐标注意力(Coordinate Attention, CA)的改进SSD目标检测算法。使用深层特征提取网络ResNet50作为主干网络,并在卷积层结构中添加坐标注意力模块,捕获方向和位置感知的信息;为充分利用不同特征图之间的关联信息,在特征提取与预测中采用反卷积与上采样等方式,融合低层位置特征和高层语义信息。同时在网络结构中引入多尺度卷积核与空洞卷积的RFB模块,以提高感受野的方式提高网络的特征提取能力。实验表明:该算法在PASCAL VOC 2007数据集上的mAP为78.08%,相较于传统的SSD算法检测能力得到了显著提升。

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3_large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。

基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割

针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题,提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先,在U-Net网络中引入感受野模块(receptive field block,RFB)来增大网络的感受野,解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块(efficient channel attention,ECA)来增加网络对有用特征的响应,抑制网络中的冗余特征.使用BraTS(the brain tumor image segmentation challenge)提供的脑肿瘤MR图像数据对本文算法进行测试,用Dice相似性系数等指标进行评价,结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明,本文提出的算法能够有效提升脑肿瘤分割的精度,具有良好的分割性能.

福建省O157大肠杆菌的rfb及fliC基因的研究

目的 对福建省分离的O15 7大肠杆菌的O抗原编码基因 (rfb基因 )及H抗原编码基因 (fliC基因 )进行研究分析 ,以明了福建省O15 7大肠杆菌的抗原特征。方法 应用聚合酶链反应 (PCR) ,以O15 7抗原编码基因 (rfbO157基因 )、H7抗原编码基因 (fliCH7基因 )为靶基因进行检测。将rfbO157基因PCR扩增产物进行DNA测序 ,使用NCBIgenBank进行DNA序列相似性比较。结果 rfbO157基因PCR扩增产物经DNA测序 ,片段序列与O15 7∶H7大肠杆菌国际参考株EDL933完全一致。福建省分离的 80株O15 7大肠杆菌的rfbO157基因均为阳性。fliCH7基因仅 6 2 5 % (5 / 80 )阳性。结论 福建省分离的O15 7大肠杆菌少部分 (6 2 5 % )为O15 7∶H7,并携带毒力基因 ;大部分为O15 7非H7,且未检测到毒力基因。

改进YOLOv8的航拍小目标检测方法:CRP-YOLO

无人机航拍目标检测是近些年研究的热点,由于无人机航拍视角下的小目标图像及被遮挡情况严重,导致出现漏检、误检等问题。针对以上问题,提出了一种改进YOLOv8的航拍小目标检测方法:CRP-YOLO。为提升颈部网络PANet的特征提取能力,提出一种多分支部分空洞卷积结构,将RFB模块与PConv结合改进颈部网络的特征融合方式,增大颈部网络的感受野;在主干网络SPPF层前的C2f中引入CoT(contextual Transformer)结构改进Bottleneck块,利用全局上下文信息,提升网络特征提取能力;在检测层增加一个尺寸为160×160的小目标检测头,提高对小目标的检测能力。在公开数据集VisDrone2019上进行实验,结果表明,相较于基线模型YOLOv8s,CRP-YOLO在mAP@0.5上提升3.8个百分点,mAP@0.5:0.95提升1.7个百分点,参数量降低1.5 MB,与其他主流目标检测方法相比也得到较好的检测性能。

基于RFB协议的跨网段远程桌面控制改进

基于标准RFB协议的远程桌面控制软件无法登录同一广域内网不同网段的远程计算机,为此提出了一种基于RFB协议的跨网段远程计算机桌面控制的改进方法,在标准RFB协议的基础上增加完善对通信代理服务的握手与初始化协议,实现同一广域网不同网段IP地址的计算机桌面登录与控制。实际应用表明,改进方法实现简单、运行稳定可靠,对跨网段并存在通信安全隔离架构的分布式设备终端监控与保障维护发挥了重要作用,有效提高了设备保障维护效率。

基于改进YOLOv5s的车载人员安全带行为检测

车载人员佩戴安全带行为的检测对于人的生命安全保障具有重要作用;针对目前车内复杂环境下车载人员佩戴安全带检测精度不高的问题,提出一种基于改进的YOLOv5s车载人员佩戴安全带的检测方法;该检测方法将YOLOv5s作为基础网络,在此基础上进行改进;为改善深度模型对特征信息的提取能力,采用RFB模块增大网络的感受野,并利用RFB模块多分支结构获得混合的感受野;加入ECA注意力通道模块,使得整个网络更加专注特征信息的提取;将原YOLOv5s的损失函数替换为EIOU,进一步提高网络对安全带的检测精度;经过实验结果表明,改进后网络与原YOLOv5s网络相比,其平均精度均值mAP提高了2.2%,查准率提升了5.1%;改进后的网络具有良好的提升效果,表明了该方法的有效性。

KThin-YOLOV7:轻量级的焊接件表面缺陷检测

针对目前市面主流焊接件表面缺陷的模型检测精度不高,模型复杂和不满足实时监测等问题,提出了一种基于YOLOV7-tiny改进得到的焊接件表面缺陷新型检测模型KThin-YOLOV7。首先,设计了基于模拟人类视觉感受野的EMA-BasicRFBC模块,更换YOLOV7-tiny模型的空间特征金字塔SPP模块,从而加强模型特征表达的性能。其次,以SlimNeck设计范式结构为基础设计了ThinNeck结构,并用其更换YOLOV7-tiny的NECK特征融合部分,减少模型的参数量和计算量的同时提高了模型的平均检测精度。最后,引入K-means++算法找出合适的锚框,并用FEIOU损失函数更换原模型的LOSS,进一步帮助模型优化目标框的位置和大小。KThin-YOLOV7相对原始YOLOV7-tiny模型的mAP提升了7.11%,达到87.64%,同时模型的参数量和计算量分别下降了11.14%和15.26%。实验结果表明,KThin-YOLOV7能够高效且准确地定位检测焊接件表面的缺陷。

OFP-VTON:基于感受野模块的原有特征保持虚拟试衣网络

基于计算机视觉的虚拟试衣(virtual try-on,VITON)技术是指将试穿服装按照模特图像特征进行扭曲并合成到模特图像中,以替换原有服装部分。当前的虚拟试衣技术主要存在两个问题:保留模特图像头部、下装和背景等原有特征不足;扭曲后的试穿服装与模特图像匹配度不高。针对这两个问题,提出一种原有特征保持虚拟试衣网络(original feature preserving virtual try-on network,OFP-VTON),由语义分割图生成、试穿服装扭曲和试穿图像合成三部分组成。在试穿服装扭曲阶段通过使网络学习模特图像中所穿服装的扭曲映射,以更好地约束试穿服装扭曲;在试穿图像合成阶段提取并保留模特图像原有特征,并引入感受野模块(receptive field block,RFB)以尽可能保留试穿服装特征。在公开的VITON数据集上的定性与定量实验表明,OFP-VTON能更好地保留原有特征,扭曲后的试穿服装与模特图像匹配度高。

恶劣天气下基于锚点的多尺度融合车道线检测及优化方法

针对黑夜和大雾天气下车道线检测的问题,在数据预处理阶段采用改进的自适应伽马变换对过暗或漂白的图片进行增强,并利用暗通道先验法对大雾场景下的图像进行数据增强,从而降低干扰.在特征提取阶段,采用改进的rotation forest block(RFB)网络提取车道线的特征信息,并通过基于锚点的分类方法实现了快速而准确的车道线检测功能.

基于RFB网络的特征融合管制物品检测算法研究

为了提高对管制物品的检测精度,本文提出一种结合RFB(receptive field block)网络结构和特征融合的目标检测算法。首先对采集的安检数据进行无效内容剔除、滤波;接着对安检数据进行人工标注和数据增强;然后在MobileNetV3-SSD算法的基础上,通过引入RFB网络改进其网络结构,以加强网络的特征提取能力,并利用特征融合的方法提高模型的小目标检测能力;最后,构建了一个安检数据集SCCI2020来验证算法的性能,该数据集包含91767张图片。实验结果表明,本算法在安检数据集SCCI2020上的检测精度为87.0%,比MobileNetV3-SSD算法的检测精度高2.7个百分点;在COCO2014和COCO2017通用数据集上的检测精度分别为21.9%和23%,相对于VGG16-SSD、MobileNetV3-SSD算法均有一定提升。

基于YOLO-tiny-RFB模型的电站旋钮开关状态识别

针对多类别目标检测在特定场景中数据样本有限的情况,为进一步提高机器人系统中轻量级神经网络对小型物体识别的准确率和稳定性,提出了一种基于机器人操作系统(ROS)的目标状态识别模块。首先,考虑到嵌入式设备的算力限制,目标识别模型采用轻量级的网络YOLO-tiny作为主要架构,并在YOLO-tiny中引入RFB,提出了YOLO-tiny-RFB模型。随后,基于MobileNet对旋钮开关的多种状态实现精准分类。最后,设计数据关联规则,通过图像配准及交并比(IOU)计算等算法使识别模块完成同一场景多次识别结果的融合,从而使用户能够对不同时刻各表计的状态进行追踪。实验结果表明,相较于YOLO-tiny,YOLO-tiny-RFB模型在少量增加模型计算量的情况下,在构建的电站仪器识别数据集上,其目标识别平均精度均值(mAP)提升了17.9%,达到了82.4%。在旋钮数据分布极端不均衡的情况下,通过引入多种数据增广方法使模型的平均准确率达到了90.7%。所提出的目标检测模块和状态识别网络模型能够有效、准确地完成各类仪器的状态识别,同时能够对仪器状态的识别结果在时间跨度上进行融合。

增韧型硼酚醛RFB树脂的性能研究及应用

把耐高温、耐烧蚀和洁净阻燃的THC系列硼酚醛树脂,通过与橡胶进行化学反应,得到一种新型聚合物——RFB增韧型硼酚醛树脂,RFB树脂同时具有耐高温、耐烧蚀、阻燃、增韧和防中子射线等5项功能。该树脂既可单独使用,又可作为环氧树脂固化剂。这种酚醛—环氧—橡胶三元体系,可产生交互反应,形成配比可调、性能各异的无数产物,使之自由过渡,打破了热固性、热塑性、酚醛、环氧和橡胶一系列的固有概念,使高分子科学进入了功能化时代。

BP网络与RFB网络预测性能对比研究

本文首先介绍了BP网络与RFB网络的基本原理,其次利用以河道浅滩演变问题数据对两种网络在处理预测问题过程中的性能和特点进行对比,最后给出了两个网络特点的比较分析.

基于改进YOLOv5s的轻量化目标检测算法

针对当前YOLOv5s的颈部特征提取网络PANET的特征提取不足、常规卷积Conv消耗了大量的参数量和计算量的问题,提出一种轻量化目标检测算法(RFBG-YOLO)。首先,为了提升检测器识别效果,提出多分支空洞卷积结构RFB-Bottleneck来提升PANET的特征提取能力,提高模型检测精度;然后,为了使模型更加轻量化,引入GhostConv卷积减少模型参数量,提高检测速度。在PASCAL VOC数据集上的结果表明,在检测速度影响很小的情况下,RFBG-YOLO算法的mAP@0.5为80.3%,与YOLOv5s算法相比提高了2.2个百分点,mAP@0.5∶0.95为55.1%,与YOLOv5s算法相比提高了4.2个百分点,模型参数量为5.2 MiB,与YOLOv5s算法相比降低了2.0 MiB,因此提出的RFBG-YOLO算法在保证模型轻量化的同时,具有足够高的检测精度,可以满足在轻量化目标检测场景下检测准确度的要求。

一种基于改进SSD的原木端面识别方法

自然环境下的原木楞堆摆放参差不齐,端面大小不一,且存在遮挡、重叠、被阴影覆盖等现象,识别效果不理想。为了提高原木端面识别率,笔者对原木端面识别方法进行了研究。采用深度学习的方法,针对混楞堆原木端面大小差距较大、较小原木难以检测以及遮挡情况下不容易提取有效特征等问题,以速度较快的SSD(single shot multibox detector)网络为基础网络,对conv_fc7使用上采样后与conv4_3融合替换原conv4_3,将conv4_3和conv_fc7两个有效特征层进行结合,增加了感受野,提高了该特征层对较小原木端面的特征提取能力;在整体结构上加入融合多尺度卷积核和空洞卷积的RFB(receptive field block)模块,又在网络中引入能够使网络学习特征权重加强对有效特征关注的CBAM (convolutional block attention module),增强了特征识别能力。实验使用从原木验收现场采集的图像,结果表明:改进SSD目标检测网络对清楞原木的检测精确率达96.37%,召回率96.81%,AP值99.06%;在含有较多小目标原木的混楞测试集检测中改进SSD检测精确率97.00%,召回率92.90%,AP达到95.33%,召回率比SSD提高了14.03%。改进SSD网络增强了SSD目标检测网络的抗干扰能力,扩大了感受野,提高了原木端面实时检测性能。

航空机载红外图像的车辆目标自主检测识别

红外光学成像载荷利用目标的热辐射强度特性成像,具有一定的揭伪能力,可规避可见光成像装备无法在夜间和恶劣气象条件下成像的限制,但红外图像对比度低、边缘不清晰,大大降低了成像目标识别的准确率。本文提出一种基于YOLOv5的红外车辆目标检测算法,在浅层特征层引入RFBs模块,以提高小目标的感受野及检测效果,在颈部网络(Neck)部分,使用BiFPN结构,实现对底层特征的再次利用,以融合更多的特征,并添加CBAM注意力机制以提升检测精度。实验结果表明:在DroneVehicle数据集上的检测效果要优于原始网络,精确率(Precision)提升28,召回率(Recall)提升16,平均精度(mAP)提升23。结论:可有效应用于航空红外图像的车辆自主检测识别。