基于改进DeepLabv3+与SE注意力机制融合的非结构化道路识别方法

针对露天矿非结构化道路信息无法有效提取或提取精度不高的问题,提出一种基于改进DeepLabv3+网络融合SE注意力机制的露天矿道路识别方法,使用不同采样率的空洞卷积并行采样获取目标图像的高级特征。引入SE注意力模块对采样获取的高级特征和骨干网络提取的低级特征进行特征权衡,以区分不同特征的重要性,提高融合后特征信息的准确性。试验证明,该网络在矿山道路识别中优于其他算法,各项道路识别评价指标均得到提高,可有效识别非结构化的露天矿山道路。

注意力机制优化SSD的戴口罩人脸快速检测研究

MobileNet-SSD算法在目标检测领域具有速度快、参数少的优点。尤其在大目标检测方面,准确率、召回率、AP值较高,但对于小目标检测,检测速度快但存在准确率、召回率及AP值偏低等问题。鉴于此,本文通过添加Mosaic数据增强算法增加小物体图片扩充数据集,选用Focal Loss取代Softmax Loss分类损失函数,通过整体修改特征提取网络并添加修改过后SE通道注意力构建一种新特征提取网络(DynaNet),并基于此网络实现SSD算法,实现对戴口罩人脸的检测。实验证明,相较于MobileNet-SSD算法,DynaNet-SSD针对小目标戴口罩人脸,检测准确率提高了6.9%、召回率提高了4.3%,mAP值提高了6.82%,检测速度快于RetinaNet和YoloV5。

基于改进注意力机制的认知障碍病程分类

阿尔茨海默病(AD)是一种发病进程缓慢、随着时间不断恶化的神经退化性疾病,在老龄化的趋势下,AD患者数量日渐增加。因此,如何对其予以早期精准诊断并进行正向干预是急需解决的问题。为提高计算机辅助诊断的效率,同时促进疾病的病理生理机制研究,提出了改进的基于SE模块二维双路径融合网络的分类方法,在网络中加入缩减系数模块,增加图片有用信息占比;对通道注意模块的权重函数重新设计,增大特征图间差异,联合二维双路径网络,增大网络倚重点,达到更好分类性能的同时,防止模型过拟合。使用ADNI数据集对AD、EMCI、NC进行二分类,实验表明所提出模型准确度相比于VGG和二维双路径融合模型分别提高了5.59%和8.11%,与其它先进方法进行比较验证了所提方法的可行性。

基于多头注意力机制的僵尸网络检测方法

为提高僵尸网络的检测精度,解决特征表征单一的问题,提出一种融合挤压和激励模块的多头注意力(SE-MHA)机制实现僵尸网络的准确检测。以会话为单位提取流量的初始特征,引入连接失败熵特征和n-gram序列特征,利用多头注意力(MHA)机制挖掘流量特征间的高维相关性,引入挤压和激励(SE)模块实现自适应调整不同“头”之间的依赖关系,增强MHA机制的表征能力,输入到Softmax分类器中对流量进行分类。通过ISCX-Bot-2014数据集,验证了该方法的精确度和有效性。

基于SE-RetinaNet的面向玻璃面板的小尺寸低显著性缺陷检测

玻璃面板中的缺陷具有低显著、尺寸小、形态多样、数量少等特点,现有先进目标检测算法难以胜任玻璃面板的质检任务。基于此,提出了SE-RetinaNet—一种面向玻璃面板的小尺寸低显著性的缺陷检测算法。该算法在特征金字塔的顶层和底层引入了SE注意力机制和自注意力机制,增强网络对底层小尺寸特征的提取能力并强化顶层网络捕捉特征的长距离依赖关系的能力,同时在网络末端引入定位子网络SE-Regression,通过结合残差块和Inception模块的优点加强了定位的准确度同时防止网络退化。实验结果表明,所提算法能有效检测玻璃面板中各种尺寸的低显著性缺陷,其检测性能优于现有经典目标检测的算法,能够在玻璃面板缺陷检测问题上发挥较好的性能。

基于多源信号融合和SE-CNN的滚动轴承故障诊断方法

针对传统轴承故障诊断方法存在对故障特征不敏感、特征提取不充分以及易受外界环境干扰等问题,提出了一种基于多源信号融合的滚动轴承故障诊断方法。首先为降低单通道信号中的异常值干扰,对多源传感器采集到的原始振动信号开展基于多通道特征信息的数据层融合,实现类内故障特征信息互补;然后构建引入SE注意力机制的卷积神经网络(CNN)故障诊断模型,对无效特征信息进行过滤,增强特征提取表征能力,实现滚动轴承故障的精准识别;最后搭建多工况模拟实验台开展了不同干扰工况下的验证。实验结果表明,该方法的平均准确率可达98%以上,在不同程度的干扰工况下均能实现准确的轴承故障类型识别,具有较高的泛化能力。

基于CSSE模型的公路路面裂缝检测方法研究

为解决目前现有的裂缝识别方法存在的识别效果不佳、识别精度低等弊端,提出一种基于CSSE模型的路面裂缝检测识别方法。该方法以CNN卷积网络为基础,通过融合SPPFCSPC空间金字塔池化结构与SE注意力机制,从而实现裂缝的准确快速的定位。首先,并通过lableimg图像标注软件对裂缝图像进行标注,建立本文的裂缝图像数据集,然后使用CSSE模型以及Yolov5-s和Yolov5-mobileone目标检测模型对裂缝数据集进行训练和测试对比,检测结果表明,CSSE模型识别效果优于yolov5裂缝检测模型。该模型能够满足裂缝数据准确、快速的检测需求,实现高阈值检测的裂缝精准定位。为高质量道路裂缝数据集的构建以及复杂裂缝损害智能识别奠定基础。

基于注意力特征融合的SqueezeNet细粒度图像分类模型

针对现有细粒度图像分类算法普遍存在的模型结构复杂、参数多、分类准确率较低等问题,提出一种注意力特征融合的SqueezeNet细粒度图像分类模型.通过对现有细粒度图像分类算法和轻量级卷积神经网络的分析,首先使用3个典型的预训练轻量级卷积神经网络,对其微调后在公开的细粒度图像数据集上进行验证,经比较后选择了模型性能最佳的SqueezeNet作为图像的特征提取器;然后将两个具有注意力机制的卷积模块嵌入至SqueezeNet网络的每个Fire模块;接着提取出改进后的SqueezeNet的中间层特征进行双线性融合形成新的注意力特征图,与网络的全局特征再融合后分类;最后通过实验对比和可视化分析,网络嵌入Convolution Block Attention Module(CBAM)模块的分类准确率在鸟类、汽车、飞机数据集上依次提高了8.96%、4.89%和5.85%,嵌入Squeeze-and-Excitation(SE)模块的分类准确率依次提高了9.81%、4.52%和2.30%,且新模型在参数量、运行效率等方面比现有算法更具优势.

基于改进YOLOv8的煤矿输送带异物检测

现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock,在保持模型轻量化的同时提升检测性能;为增强对不同尺寸目标物体信息的获取能力,引入高效通道注意力(ECA)机制,并对ECA的输入层进行自适应平均池化和自适应最大池化操作,得到跨通道交互MECA模块,以增强模块的全局视觉信息,进一步提升异物识别精度;将YOLOv8的3个检测头修改为4个轻量化小目标检测头,以增强对小目标的敏感性,有效降低小目标异物的漏检率和错检率。实验结果表明:改进YOLOv8的精确度达91.69%,mAP@50达92.27%,较YOLOv8分别提升了3.09%和4.07%;改进YOLOv8的检测速度达73.92帧/s,可充分满足煤矿输送带异物实时检测的需求;改进YOLOv8的精确度、mAP@50、参数量、权重大小和每秒浮点运算数均优于SSD,Faster-RCNN,YOLOv5,YOLOv7-tiny等主流目标检测算法。

基于Transformer的遥感图像目标检测算法研究

针对遥感图像中目标特征不明显等导致的精度低、性能差问题。我们给出基于改进Transformer的遥感图像目标检测模型。首先,运用迁移学习加载模型,并且用ResNet101替换原始主干;其次在特征提取阶段,在主干网的bottlenet层中引入SE注意力机制;最后,将原有损失函数优化为L1损失和CIOU损失的结合。实验结果证实,改进之后的模型相对于基准而言,在精度和性能上都有一定的提高。

用于船桥碰撞预警的复杂场景下视觉船舶检测

为准确识别航道船舶,实现桥梁防撞预警,结合实拍图像和数据增强建立了针对桥梁航道船舶的图像数据集,包括远距离、多目标以及可视度低等复杂场景.然后,以YOLOv5模型作为基本检测器并对其网络结构进行改进,主要改进包括将主干网络中的C3模块替换为C2f模块,在特征融合网络中嵌入SE注意力机制,采用K-means++聚类算法对数据集的先验框进行优化.最后,以PyTorch为深度学习框架对改进YOLOv5模型进行训练和验证.结果表明,改进YOLOv5模型对重点检测船舶的平均精度达到99.4%,较原始YOLOv5模型提高了11.1%,检测速度达到102帧/s,可为复杂通航场景下船桥碰撞预警提供可靠、高效的支撑.

基于改进YOLOv5s汽车驾舱遗忘物检测

针对目前汽车驾舱内遗忘物检测精度不高、速度慢和检测效果差的问题,提出一种基于改进的YOLOv5s汽车驾舱遗忘物的检测方法;该检测方法将YOLOv5s作为基础网络,在此基础上进行改进;首先本实验将SE注意力模块添加到Backbone网络中,加强模型对通道信息的关注提升目标检测性能;其次改进空间金字塔池化模块,将原有的SPPF模块改进为SPPCSPC模块,使得该网络更加关注待检测目标的特征;最后同时引入GSConv层,能够缓解DSC(深度可分离卷积)的缺陷,并充分利用DSC的优势,在小目标检测方面取得明显的提升效果,既保证了语义信息又平衡了模型的准确性,也提升了检测速度;通过训练结果说明,改进后的网络与原YOLOv5s网络相比,其平均精度均值mAP提高了2%,查准率提升了3.5%;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。

基于改进PSPNet模型的高分辨率遥感影像林地提取方法研究

林地在全球生态系统中扮演着至关重要的角色。但传统监督学习方法在林地提取上存在特征选择不精确与未能充分利用像元间的上下文关系等缺陷,导致林地提取精度不理想。针对上述问题,本文提出了一种基于改进PSPNet(Pyramid Scene Parsing Network)模型的高分辨率遥感影像林地提取方法。首先,利用高分二号遥感影像与全国第三次土地调查数据,制作高分辨率林地数据集。其次,通过在原始PSPNet模型的基础上加入SE(Squeeze and Excitation)注意力模块,改进PSPNet模型。实验结果表明,本文所改进的PSPNet模型的各项精度指标均优于其他方法,具有较高的提取精度。

基于改进ResNet-50与迁移学习的苹果叶片病害的图像识别

为解决下述问题,在自然场景中获取的苹果叶病害图像大多包含复杂的背景,同时,由于拍摄要求不那么严格,疾病特征更有可能出现在图像中的任意位置,所有这些因素都会影响卷积神经网络的识别精度,且随着网络加深其性能提升困难。提出了一种基于改进ResNet-50的苹果叶片病害识别方法。首先引入SE(squeeze-and-excitation)注意力机制,改进残差模块,在一定程度上去除复杂背景等干扰信息,另一方面降低模型对特征定位的过度敏感度,使模型能够学习更重要的疾病特征,减少复杂背景等信息的干扰,然后加入Dropout层抑制过拟合改进模型结构,最后采用迁移学习的训练方式加快模型的收敛速度。在苹果叶病数据集上的实验结果表明,改进模型的准确率达到98.35%,较ResNet-50提高5%。与其他一些传统的卷积神经网络相比,该模型收敛速度更快,具有更高的识别精度,能够较好地识别苹果叶片病害,适用于自然场景下获取的苹果叶病图像等优点,具有较强的实用性。

基于改进YOLOX的钢材表面缺陷检测研究

针对目前单阶段目标检测网络YOLOX的特征提取能力不足、特征融合不充分以及钢材表面缺陷检测精度不高等问题,提出一种改进YOLOX的钢材表面缺陷检测算法。首先,在Backbone部分引入改进的SE注意力机制,增添一条最大池化层分支,进行权重融合,强化重要的特征通道;其次,在Neck部分引入ASFF模块,充分利用不同尺度的特征,更好地进行特征融合;最后,针对数据集所呈现的特点,将IOU损失函数替换为EIOU损失函数,改善模型定位不准确的问题,提高缺陷检测精度。实验结果表明,改进的YOLOX算法具有良好的检测效果,在NEU⁃DET数据集上的mAP达到了75.66%,相比原始YOLOX算法提高了3.74%,较YOLOv6提升了2.76%,检测精度优于其他主流算法。

改进的DDeepLabV3+语义分割网络

针对语义分割网络在移动智能化终端上存在参数量大、分割精度不足的问题,提出一种改进的DDeepLabV3+网络算法。首先,采用深度可分离的MobileNet结构作为网络的骨干部分,降低网络的参数量和复杂度,从而有效减少了运行时间。其次,引入网络的低级特征,实现多尺度信息融合,减少网络下采样引起的空间信息损失。最后,结合注意力机制设计网络ASPP结构,增强特征提取在实验中的利用。优化后的网络结构在保持较高分类准确性的前提下,计算时间显著减少。网络的平均交并比在Cityscapes和Camvid数据集中分别提升了2.37%和2.13%。

基于改进SqueezeNet的油气管道泄漏检测算法

我国石油和天然气的运输方式主要是依靠管道进行运输,根据浴盆曲线,目前我国现存的运输管道处于事故高发期,近些年来全国各地油气管道泄漏事故频发。近些年,如何实时高效检测油气管道泄漏成为了研究热点。本文探索一种改进的基于SqueezeNet神经网络的轻量化模型检测算法,通过将SqueezeNet网络中的Fire模块中的扩展层更换为Ghost模块,再引入SE注意力机制形成G-S-SqueezeNet网络。在实验中对管道泄漏的音频数据集进行预处理并转化为梅尔倒谱进行训练,并进行验证。结果表明在模型缩小的情况下,其鲁棒性和准确性明显改善,准确率相比未改进的网络提升了1.58%,模型大小降低了4 MB,检测速度提升了1.1 s。

基于改进YOLOv5s的森林烟火检测算法

为了解决传统火焰烟雾检测算法在光照条件恶劣和山林云雾影响的条件下存在漏检误检、准确性下降的缺陷,提出了一种基于YOLOv5s目标检测框架的森林烟火检测算法。首先,针对火焰烟雾目标特征复杂的问题,在C3模块中融合Res2Net,增强了网络在不同尺度下的特征表示能力。然后,在主干检测网络加入SE注意力模块,达到抑制干扰信息,提升模型表征能力的效果。最后,通过集成GIOU优化损失函数,进一步提高了检测精度。改进后的的算法相比于传统算法,mAP50值提高了1.8%,P值提高了0.9%,R值提高了0.6%。

基于改进YOLOv5s小目标检测算法

目的:针对现有目标检测算法进行小目标检测时检测效果不理想、漏检率高的问题,提出一种改进的YOLOv5s检测算法,提升小目标检测效果。方法:在原有模型基础上,引入BottleneckCSP模块并增加大尺度特征融合结构,提升模型小目标特征捕捉能力;同时在网络结构中融合SE注意力机制,使得网络自主学习更关注小目标特征通道,增强网络模型对小目标的检测效果。结果:在同一自制小目标检测数据集上进行训练验证,与已有算法比较,能够有效提升YOLOv5s目标检测算法的mAP值和训练收敛速度,拓展小目标检测范围(由原有算法的0.002 5~0.010 0缩小至0.000 8~0.001 4),提高小目标检测性能(平均检测率提升46%)。结论:改进算法能够有效提升小目标的检测能力。

基于TCN-SE神经网络模型的智能连续血压估计方法

血压是反映人体心血管系统状况重要信息的四个生命体征之一。随着科技的进步,智能化血压测量逐渐融入人类的日常生活当中。针对当下血压测量方法复杂,测量精度不高等问题,提出了一种基于嵌入SE注意力机制的时域卷积网络(TCN-SE)模型。该网络有效解决了现有方法中模型过拟合的问题,且进一步加强了模型对于不同通道信息的关注度。在保证信息完整的前提下,该模型可有效增大感受野。在重症监护中的多参数智能监测(MIMIC-II)数据集进行实验测试,通过计算均方误差和平均绝对误差等指标,得出收缩压的误差为(5.09±7.04)mmHg,舒张压的误差为(2.96±4.23)mmHg,表明所提出的方法相比于现有方法误差损失更低,在血压测量领域具有广阔的应用前景。