-
题名具有双向增强特征结构的U型肺结节分割网络
被引量：4
- 1
-
-
作者
黄新
郭晓敏
-
机构
桂林电子科技大学电子工程与自动化学院
广西自动检测技术与仪器重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第24期239-246,共8页
-
基金
国家自然科学基金(81873913)
桂林电子科技大学研究生科研创新项目(2019YCXS101)。
-
文摘
在CT影像中精准而有效地分割出肺部结节是肺癌早期诊断的关键。然而,肺结节形态的多样性以及周围环境的复杂性,都给肺结节分割的鲁棒性带来了巨大的挑战。为提高CT影像中肺结节分割的准确性,提出了Bi EFP-UNet(bidirectional enhanced feature pyramid UNet)肺结节分割网络。该结构采用端到端的深度学习方法来解决肺结节的分割任务,通过在原始U-Net网络的编码器和解码器结构之间集成一个双向增强型特征金字塔网络(bidirectional enhanced feature pyramid network,Bi EFPN),加强网络对特征的传递与利用;利用Mish激活函数提高分割效率,并消除原始U-Net网络梯度消失的问题。在肺结节公开数据集LUNA16上的实验结果表明,Bi EFP-UNet网络的Dice相似系数(DSC)可达88.32%,其中,Bi EFPN结构带来的提升为5.25个百分点,Mish激活函数带来的提升为1.21个百分点;与原始U-Net网络相比,Bi EFP-UNet网络的DSC提升了6.46个百分点,能有效解决原始U-Net网络对小目标结节分割性能差、梯度消失的问题。
-
关键词
CT
肺结节分割
U-Net
Bi
EFP-UNet
双向增强型特征金字塔网络
Mish
-
Keywords
CT
lung nodule segmentation
U-Net
Bi EFP-UNet
bidirectional enhanced feature pyramid network
Mish
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv5算法的绝缘子多缺陷检测
被引量：1
- 2
-
-
作者
伍箴燎
吴正平
孙水发
-
机构
三峡大学电气与新能源学院
三峡大学湖北省输电线路工程技术研究中心
三峡大学计算机与信息学院
-
出处
《高压电器》
CAS
CSCD
北大核心
2024年第12期95-102,112,共9页
-
基金
国家自然科学基金资助项目(61871258)。
-
文摘
针对绝缘子多缺陷检测精度低、检测速度慢的问题,提出一种改进YOLOv5准确判别绝缘子多缺陷检测算法(YOLOv5⁃GSEM)。首先通过引入GhostNet结构替换原始网络YOLOv5主干网络C3模块,提升网络运算速度;并在SPPF后引入无参注意力模块SimAM,增强有效特征,抑制干扰特征;其次引入增强特征金字塔网络(EFPN)和多尺度特征融合网络(multiscale feature fusion network,MFFN),充分融合多尺度特征,提升网络对绝缘子多缺陷的检测精度。实验结果表明,文中提出的模型平均精度均值(mAP0.5)达到87.8%,较YOLOv5算法提升了2.7%,检测速度提升了4.6%,该网络的提出为绝缘子多种缺陷检测问题提供一种更有效的方法。
-
关键词
绝缘子多缺陷检测
注意力机制
增强特征金字塔网络
多尺度特征融合
轻量化
-
Keywords
multiple defect detection of insulator
attention mechanism
enhanced feature pyramid network(EFPN)
multiscale feature fusion
lightweight
-
分类号
TM216
[一般工业技术—材料科学与工程]
TP183
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多尺度与坐标注意力机制的交通标志识别研究
- 3
-
-
作者
胡腾
杨毅强
邹显迪
孙潇
毛国斌
-
机构
四川轻化工大学自动化与信息工程学院
四川轻化工大学计算机科学与工程学院
-
出处
《齐齐哈尔大学学报（自然科学版）》
2024年第5期8-15,共8页
-
基金
人工智能四川省重点实验室项目(2023RYY06)
四川省科技厅项目(2022ZHCG0035)。
-
文摘
针对智能交通识别系统需要具备较高的检测速度和识别精度的要求,在YOLOv4-tiny算法的基础上提出一种基于多尺度与坐标注意力机制融合的改进型轻量化YOLOv4-3RSCtiny算法。首先将主干网络中的Resblock_body模块改进为参数量更少的ResblockD轻量化模块,用于提高算法的检测速度;其次引入特征金字塔池化网络,丰富深层特征图的空间信息,在预测阶段引入坐标注意力机制,降低背景信息的干扰;最后利用具有多次跨级融合的路径增强特征金字塔网络,提高算法对小型目标物体的识别率。在TT100K数据集上进行测试,实验结果表明,相较于YOLOv4-tiny算法,YOLOv4-3RSCtiny算法具有较高的准确性和较好的实时性。
-
关键词
ResblockD模块
特征金字塔池化网络
路径增强特征金字塔网络
坐标注意力机制
-
Keywords
ResblockD module
feature pyramid pooling network
path-enhanced feature pyramid network
coordinate attention mechanism
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名全卷积目标检测的改进算法
被引量：2
- 4
-
-
作者
廖永为
张桂鹏
杨振国
刘文印
-
机构
广东工业大学计算机学院
鹏城实验室网络空间安全研究中心
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第17期158-164,共7页
-
基金
广州市科技计划项目(202102020524)
广东省科技计划项目(202007040005)
广东创新研究团队项目(2014ZT05G157)。
-
文摘
基于无锚点的单阶段全卷积目标检测算法(FCOS)无需生成大量的锚点避免了样本不平衡问题,但FCOS可能更适应于某一特定场景。为了增强特征融合,并提高目标检测的准确性,提出了全卷积目标检测算法FCOS的改进算法ConFCOS。该算法设计了一个增强的特征金字塔网络,引入带有全局上下文信息的注意力模块和空洞卷积模块,以减少特征融合过程中的信息衰减。另外,构建了一个级联检测头来检测对象,对检测的边界框进行细化来提高分类和回归的置信度。此外,针对提出的ConFCOS的损失函数进行了优化以提高目标检测的准确率。在COCO数据集上进行的实验表明,ConFCOS的准确度比FCOS提高了1.6个百分点。
-
关键词
ConFCOS
增强的特征金字塔网络
级联检测
目标检测
-
Keywords
ConFCOS
strengthened feature pyramid network(SFPN)
cascade detection
object detection
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
