基于对比学习的多模态注意力网络虚假信息检测方法

针对近年来网络空间中大量涌现的多模态虚假信息难以有效检测的问题,重点提出一种基于对比学习预训练和注意力机制的多模态虚假信息检测方法,使用对比学习对不同模态数据之间进行特征对齐和潜在关系学习,并采用注意力机制实现不同模态特征之间的交互,通过特征融合完成模型构建,最终实现对虚假信息的精准检测。所提出的模型对于多模态虚假信息的检测相较于当前主流方法取得了更好的效果,基本能够对虚假信息实现更准确的识别和检测。

基于Canny-YOLO的目标检测方法改进研究

针对当前军工工业产品缺陷检测能力不足的问题,以生产中普遍存在的小目标缺陷检测为切入点,提出了一种基于Canny-YOLOv7算法的融合增强模型。该模型主要通过Canny边缘检测算法识别图像中的潜在缺陷区域并对缺陷区域特征进行增强,在此基础上对YOLOv7模型进行针对性改进以提升泛化能力。首先,为增强模型对于细微缺陷特征的提取能力,使用Swin Transformer (STR)模块替换原始主干网络中的ELAN模块。其次,采用SIOU损失函数使得改进模型能快速学习到准确的目标定位。最后,采用LeakyReLU激活函数减少函数计算开销,进一步提升模型检测速度。实验结果表明,在相同数据集下,提出的增强模型平均检测精度达到97.5%,相较于原始YOLOv7模型提升了4.6%,检测速度(FPS)为52.45,满足实时检测需求。