基于DCS-YOLOv8模型的红外图像目标检测方法

针对低信噪比与复杂任务场景下,YOLOv8模型对红外遮挡目标和弱小目标检测能力不足的问题,提出了改进的DCS-YOLOv8模型(DCN_C2f-CA-SIoU-YOLOv8)的目标检测方法。以YOLOv8框架为基础,主干网络构建了基于可变形卷积的轻量级DCN_C2f(Deformable Convolution Network)模块,自适应调整网络的视觉感受野,提高目标多尺度特征表示能力。特征融合网络引入基于坐标注意力机制CA(Coordinate Attention)的模块,通过捕捉多目标空间位置依赖关系,提高目标的定位准确性。改进基于SIoU(Scylla IoU)的位置回归损失函数,实现预测框与真实框之间的相对位移方向匹配,加快模型收敛速度并提升检测与定位精度。实验结果表明,相较于YOLOv8-n\s\m\l\x系列模型,DCS-YOLOv8在FLIR、OTCBVS与VEDAI测试集上平均精度均值mAP@0.5平均提高了6.8%、0.6%、4.0%,分别达到86.5%、99.0%与75.6%。同时,模型的推理速度满足红外目标检测任务的实时性要求。

基于CSE-YOLOv5的遥感图像目标检测方法

针对复杂任务场景中,目标检测存在的多尺度特征学习能力不足、检测精度与模型参数量难以平衡的问题,提出一种基于CSE-YOLOv5(CBAM-SPPF-EIoU-YOLOv5,CSE-YOLOv5)模型的目标检测方法。模型以YOLOv5主干网络框架为基础,在浅层引入卷积块注意力机制层,以提高模型细化特征提取能力并抑制冗余信息干扰。在深层设计了串行结构空间金字塔快速池化层,改进了统计池化方法,实现了由浅入深地融合多尺度关键特征信息。此外,通过改进损失函数与优化锚框机制,进一步增强多尺度特征学习能力。实验结果显示,CSE-YOLOv5系列模型在公开数据集RSOD、DIOR和DOTA上表现出良好的性能。mAP@0.5的平均值分别为96.8%、92.0%和71.0%,而mAP@0.5:0.95的平均值分别为87.0%、78.5%和61.9%。此外,该模型的推理速度满足实时性要求。与YOLOv5系列模型相比,CSE-YOLOv5模型的性能显著提升,并且在与其他主流模型的比较中展现出更好的检测效果。

缝隙连接渗透率对钙离子传输的影响

已建立的渗透性模型主要基于连接蛋白的开关特性,却忽略实际蛋白间的差异,在应用上存在局限.从连接蛋白生物特征多样性的角度引入渗透率这一缝隙连接类型参数,对渗透性模型进行改进,分析渗透率对分子通信的时延、传输距离等参数的影响.选取钙离子为传输粒子进行仿真,实验结果验证了模型的准确性,在发送、传输条件一致的前提下,渗透率越高,接收钙离子波的幅度越大,对应的传输距离越远.

生物微环境分子通信仿真工具研究现状

针对分子通信(molecular communication,MC)的理论仿真进行研究,总结了评估生物微环境互连性能所需要的仿真工具,阐述了其由来和实现方式,归纳了模拟器NanoNS、N3Sim、BiNS2、DMCS、NanoNS3的技术特征,以及在不同场景下的架构和环境适用性。通过所述模拟器来仿真不同场景下的信息分子从发射纳米机器到接收纳米机器的信息传递过程,有助于进一步了解多种生物微环境的作用机制。

分子通信接收设备的物理实现方法

为研究分子通信(molecular communication,MC)接收设备的理论及制备,总结了几种MC接收设备的物理实现方法,阐述了每种方法所具备的生物特性和理化特性,给出了它们的基本原理、应用场景和实现的技术难点,同时讨论了各自的优缺点。对几种典型接收设备物理实现方法的信息接收过程及其抽象出来的通信范例进行分析,为MC接收设备进一步研究提供了有价值的参考。