基于改进YOLOv3算法的行人目标检测研究

针对行人目标检测任务中目标检测速度慢及小目标难以检测的问题,提出一种融合CBAM注意力机制的YOLOv3多尺度目标检测模型.该算法首先以YOLOv3为基础网络进行特征提取,然后在YOLOv3的多尺度特征融合层新增一个两倍下采样特征图,用于补充小目标特征信息,最后在YOLOv3的各尺度特征图融合后加入卷积注意力模型(CB...     

一种注意力融合的多尺度点云分类网络

针对传统点云分类网络不能较好结合全局特征和局部特征信息、导致分类精度不够高的问题,提出一种包含注意力机制的特征融合模型。通过构建多尺度网络,增大网络感受野,从而获得不同程度特征。采用注意力机制进行特征融合,使得局部特征和全局特征相互补偿,增强特征描述符的语义丰富性,获得上下文有效信息,以此提高整体的分类精度。在公开数据集ModelNet 40上对该算法进行验证,取得92.85%的分类精度,验证该网络模型的可行性。     

改进YOLOX-S算法的安全帽和口罩检测

针对建筑工地等危险场景下需要对相关人员佩戴安全帽和口罩进行检测,提出基于改进YOLOX-S算法对安全帽和口罩小目标进行同时、实时检测．首先,在YOLOX-S中CSPLayer结构引入ECA注意力机制,引导模型更加关注小目标信息的通道特征,增强模型对有用特征的利用能力;其次,在主干特征提取网络的三个特征层后添加ConvNext Block模块,增强模型对有用特征的利用能力;最后,在加强特征提取网络中引入BiFPN的加权特征融合机制,将原来concat变为BiFPN＿concat,增加了对每个输入特征添加可学习的权值,来学习不同输入特征的重要性,区分特征融合过程中不同特征的重要程度,更好关注待检测的目标信息．实验结果表明,改进后算法的mAP为93.2%,比原始YOLOX-S算法平均精确度提升了3.1%.     

基于LT-YOLOv5s的PCB缺陷检测方法

针对传统PCB缺陷检测算法检测准确度低、实时性差等问题，提出一种改进的YOLOv5s网络PCB缺陷检测方法。针对缺陷特性，去除大目标的检测尺度，保留中小目标检测尺度；在网络模型末端用Transformer替代BottleneckCSP模块，提升了网络模型捕获目标特征的能力；结合坐标注意力模块，提升模型的性能并减少参数。以某PCB数据集为测试对象，结果表明，改进后的算法平均精度均值(mAP)达到99.04%,平均检测速度为19ms/帧，改进后的算法能够更加快速有效的检测出PCB缺陷。     

基于改进YOLOv5的道路病害智能检测

针对现有道路表观病害检测识别精度低、漏判、误检率高的问题,提出了一种改进的道路表观病害检测高精度识别模型(improved pavement detection-YOLOv5, IPD-YOLOv5)。在YOLOv5的主干特征提取网络中添加由不同空洞卷积组成的ASPP模块,引入SE-Net注意力机制以加强算法从裂缝图像中提取不同尺度特征的能力,实现多尺度特征图的有效融合。结果表明：较传统检测算法,所提的IPD-YOLOv5模型在道路裂缝病害检测上的识别精度最高,其中平均精度比未改进的YOLOv5算法提高了7.47%,漏判率降低了10.29%。     

基于YOLOv5-en算法的草莓采摘机器人目标检测技术

为实现草莓采摘机器人在温室中对草莓的快速、精确检测,该文提出一种YOLOv5-en算法。在原有YOLOv5基础上,首先对原始主干进行网络卷积操作并加入CBAM模块;其次,引入Bi FPN模块进行多尺度特征融合;然后,使用直方图均化算法和Mosaic数据增强进行目标检测数据预处理;最后,优化K-means算法对训练数据集聚类分析,同时使用Focalloss损失函数构建YOLOv5-en目标检测网络。通过对比试验得出：与YOLOv5、Faster-RCNNRes Net101和Faster-RCNNVGG16模型相比,YOLOv5-en的m AP分别提升了3.41%、17.85%和14.40%,可达94.36%。通过采摘机器人模拟环境检测验证了该模型的可行性,且达到了应用水平,可为采摘机器人实时小目标检测提供支撑。     

基于注意力机制的高分辨率遥感图像目标检测

高分辨率遥感图像目标检测是计算机视觉实践课程中的一个创新实验项目.针对高分辨率遥感图像目标检测过程存在的问题,在主干网络的残差基本单元中引入注意力机制,设计基于注意力机制的目标检测模型.利用模型分别检测DIOR数据集及DOTA数据集,并对检测结果进行了对比分析.结果表明,该检测模型实现了对图像中不同目标较为精确的分类和...     

一种金属类酒瓶盖瑕疵质检算法

针对酒瓶盖瑕疵会影响产品质量的问题,提出了一种酒瓶盖瑕疵YOLOv3-MRHA检测算法,基于YOLOv3算法,对其主干网络和特征提取层进行改进。为减少主干网络特征丢失现象,提出了多级特征融合(multilevel feature fusion, MFF)模块;为提高检测的准确率,增加了尺度为104×104的特征层,并构造了一种增强特征信息的残差特征增强(residual feature enhancement, RFE)模块;为提高深层特征层的检测能力,引入了空洞卷积,使浅层信息向下融合,在特征提取层使用通道注意力机制。结果表明,所提YOLOv3-MRHA算法的检测精度比YOLOv3算法提高近6%,可有效地提高瑕疵检测的准确率,满足工业质检的要求。     

面向考场视频中作弊行为的层次式检测方法

针对当前考场视频作弊行为检测精度低、难以实际应用的问题，本文提出一种高效的作弊行为层次式检测方法。该方法首先使用帧间差分，快速筛选出包含异常行为的关键帧图像；随后采用ResNet50作为分类器进行基于骨骼图像的行为识别，检测出疑似作弊行为；最后使用改进的三维卷积（3D-CNN，简称C3D）网络作为主干网络，融合时空注意力机制，构建C3D+attention动作识别网络，使用包括疑似作弊行为在内的单人图像序列单元，精确检测出作弊行为。实验结果表明：本方法融合二维卷积（C2D）网络速度快和C3D网络精度高的优点，能够高效地检测出数量稀少的作弊行为视频片段，对光照变化和低分辨率视频具有强鲁棒性，使智能监考成为可能。     

基于改进UNet的人造板表面缺陷的图像分割方法

为满足人造板表面缺陷图像分割的精度要求,提出了一种改进的UNet语义分割网络模型。在传统的UNet网络结构上将编码部分改进为残差网络ResNet50并去掉连接层与平均池化层,网络通过残差块堆叠获取更多特征的底层信息;同时在跳跃连接中嵌入聚焦注意力机制的模块,抑制干扰信息,保留有效位置信息,聚焦缺陷区域并加强学习。对4种UNet网络模型的人造板表面缺陷图像分割进行仿真比较,结果表明,融合聚焦注意力机制的残差UNet网络模型在像素准确率和平均交并比等指标上有较大提升,分割精度较高。     

基于改进YOLOv5的番茄识别检测算法

为提升果园自动采摘机器人的工作效率,提高对番茄果实识别的准确率,提出了一种基于改进YOLOv5的番茄识别检测算法。该识别检测算法以YOLOv5算法为基础,改进了原算法中颈部网络的BottleneckCSP模块,通过增加批归一化层与SiLU激活函数提升了网络对目标深层语义信息的提取能力;采用轻量级通用上采样算子CARAFE扩大感受野,减少漏检并保持轻量化;结合轻量化注意力机制SimAM为网络提供三维的注意力权重,过滤掉冗余信息,提高模型的准确性和鲁棒性;用SIoU替换CIoU损失函数,有效减少冗余框的同时加快了预测框的收敛和回归。研究结果表明,改进后算法对番茄目标检测的平均精度均值达到96.5%,比原始算法提高3.4%,对小番茄及番茄被遮挡时的漏检率也有效降低,且满足实时要求。     

基于改进的YOLOV4的公路交通设施识别

公路交通设施的识别是辅助驾驶和无人驾驶不可或缺的一部分,传统的目标识别算法进行公路交通设施的识别易受到外部环境的影响,特征的表达能力不全面,识别率较低,花费的检测时间长。本文通过改进的YOLOV4对公路交通设施中的交通信号灯,人行道标志,停止标志及限速标志设施进行检测。首先为提高锚框回归速度,减少检测时间,通过改进的K-means++算法对聚类锚框进行尺寸的筛选,相比于K-means算法IOU提高了0.93%。同时为减少模型的参数量提高目标检测的速度,改进主干网络,将MobileNetv1作为YOLOV4模型的backbone,相比于原YOLOV4的采用的CSPDarkent53特征提取网络以及其他轻量级骨干网络,改进的YOLOV4模型检测速度更快。为提高识别率,在PANet特征网络融合阶段增加CBAM注意力机制实现了更好的特征表现力。相比于其他轻量级的网络架构,改进后的Y0LOV4算法在速度和准确率上有着更好的鲁棒性。     

基于沙漏注意力高分辨率网络的人体姿态评估实验

基于人体关键点检测的方法需要融合由高分辨率到低分辨率子网络生成的表示,以提高关键点检测的准确性。设计了一种基于沙漏注意力高分辨率网络的人体姿态评估方法实验,在深度高分辨率表示学习的基础上构建沙漏注意力特征模块,并设计特征回传模块和多阶段监督算法,用融合中继监督和自蒸馏的方式实现高分辨率网络的监督训练。与经典方法在标准数据集上完成人体姿态评估实验对比,并在硬件设备上进行了真实场景实验,实现了行人姿态评估和危险行为报警。     

引入双循环机制深度学习模型的文本情感分析

深度神经网络模型通常使用注意力机制或融合卷积神经网络来提取特征,但由于注意力机制抓取的特征过于单一,存在提取特征不完善的问题。 将循环机制引入卷积神经网络中,构建了具有双循环结构的网络模型(DRCNN),从而改善模型的特征提取能力,将其与双向长短期记忆网络结合,提出一种带有注意力机制、特征提取能力更强的混合模型(BiLSTM-DRCNN)并应用于情感分类任务中。通过情感分类的实验分析表明,BiLSTM-DRCNN 神经网络模型具有比较好的性能,与融合卷积神经网络(CNN)和双循环长短期记忆神经网络(BiLSTM)模型相比,综合评价指标提高2%以上;与BiLSTM-CNN、Fusion Model 模型相比,综合评价指标提高了近1%,且收敛速度更快。     

基于YOLOv3算法的室内临时障碍物检测方法改进

针对室内疏散引导员需要选择一条畅通路径的问题,提出了一种基于改进的YOLOv3算法的室内临时障碍物检测方法,监控疏散通道中的实时状态.首先引入注意力机制同时缩减网络结构对YOLOv3算法中的特征提取网络进行改进,其次采用双向连接金字塔和适应性卷积检测方式对YOLOv3算法中的特征检测网络进行改进.实验结果表明,改进的Y...     

基于自注意力与动态路由的文本建模方法

有别于RNN和CNN,动态路由与注意力机制为捕捉文本序列的长程和局部依赖关系提供了新思路。为更好地进行文本编码,尽可能多地保留文本特征、增加特征多样性,基于动态路由与注意力机制的思想,整合胶囊网络和自注意力网络的语言信息特征抽取能力,构建一种深度网络模型CapSA,并通过3种不同领域的文本分类实验验证模型效果。实验结果显示,相较于几种基于RNN或CNN的模型,基于CapSA模型的文本分类模型取得了更高的F1值,表明该模型具有更好的文本建模能力。     

融合注意力机制与轻量化网络的桥梁裂缝分类

提出一种基于注意力机制融合轻量化网络的桥梁裂缝图像分类方法。以轻量化卷积神经网络为理论基础分类识别桥梁裂缝图像,并在轻量化网络中加入注意力机制以解决网络无法自主关注所感兴趣区域的问题。根据桥梁图像中裂缝所占比例较小且边缘突出的特点,选用适合于识别桥梁裂缝的注意力机制——CBAM(convolutional block attention module),并将其嵌入轻量化卷积神经网络EfficientNetv2中,建立CBAM-EfficientNetv2模型。实验结果表明：CBAM-EfficientNetv2模型与VGG16、ResNet34等常用深度学习模型对比,可获得最优的桥梁裂缝图像分类效果,其分类识别准确率达到95.64%。     

融合注意力机制的深度交叉网络作物推荐模型

根据土壤数据进行作物推荐是农业大数据应用的重要内容之一.针对现有土壤数据推荐模型忽略土壤文本域信息、土壤数据交叉特征表达能力不足和无差别对待交叉特征问题,提出一种融合注意力机制的深度交叉网络作物推荐模型.首先,该模型对土壤文本数据通过向量化嵌入转化成低维稠密向量;然后通过注意力机制训练稠密向量交叉特征的权重;再连接数值...     

基于改进YOLOv5s的交通标志识别算法

交通标志的自动识别对汽车的安全行驶具有重要意义。针对现有交通标志识别算法存在识别精度低、速度慢的问题,该文提出了一种基于改进YOLOv5s的交通标志识别算法。引入MobileNetv3主干网络,将RFB模块与ECA-Net模块相结合,在不提高网络计算量的情况下,确保更大范围内聚焦有效特征;在特征融合中采用AFF模块,将注意力从同层融合扩展到跨层区域;采用Matrix NMS筛选候选框,以提升模型检测速度。在中国交通标志数据集CCTSDB上的验证结果表明,该算法识别精度为96%,速度为48帧/s,在多种环境下对目标的识别能力得到增强,可以满足交通标志实时识别的需要。     

融合注意力与比较增强学习机制的情感分析

文本情感分析通过提取文本特征,根据文本中的情感倾向进行分类.研究表明,递归神经网络和卷积神经网络模型具有良好的性能.为提高文本情感分类性能,提出一种融合注意力和比较增强学习机制的混合网络情感分析模型,用比较增强学习机制进行分类来替代大量的复杂计算.该模型通过嵌入层向量化后,分别用CNN和双向门控循环单元提取不同特点的文...