针对复杂电磁环境下雷达复合干扰识别困难和网络模型复杂度高的问题,将多标签分类与改进的ShuffleNet V2相结合,提出一种轻量化的多标签ShuffleNet(multi-labeling ShuffleNet, ML-SNet)雷达复合干扰识别算法。首先,使用轻量化的Shuffle...针对复杂电磁环境下雷达复合干扰识别困难和网络模型复杂度高的问题,将多标签分类与改进的ShuffleNet V2相结合,提出一种轻量化的多标签ShuffleNet(multi-labeling ShuffleNet, ML-SNet)雷达复合干扰识别算法。首先,使用轻量化的ShuffleNet V2作为主干网络,引入SimAM(similarity-based attention module)注意力机制,提高网络特征提取能力。其次,使用漏斗激活线性整流函数(funnel activation rectified linear unit, FReLU)代替线性整流单元(rectified linear unit, ReLU)激活函数,减少特征图的信息损失。最后,使用多标签分类算法对网络输出进行分类,得到识别结果。实验结果表明,在干噪比范围为-10~10 dB的情况下,所提算法对15类雷达复合干扰的平均识别率为97.9%。与其他网络相比,所提算法具有较低的计算复杂度,而且识别性能表现最佳。展开更多
[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepVi...[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepViTBlock模块替换主干网络的C2f,减少了模型的计算量和参数量。其次,加入带切片操作的注意力机制SimAM,结合原有卷积形成Conv_SWS模块,提升了小目标的特征提取能力。另外,在颈部网络中使用DySample轻量动态上采样模块,使采样点集中在目标区域而不会关注背景部分,实现病虫害的有效识别。最后,将跨通道交互的高效率通道注意力(Efficient Channel Attention with Cross-Channel Interaction,EMCA)替换主干网络的金字塔空间注意力机制(Pyramid Spatial Attention, PSA),进一步提高了主干网络的特征提取能力。[结果与讨论]实验结果显示,YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%,相较于原模型,这些指标分别提升了3.8、3.3和4.2个百分点。同时,模型在参数量和计算量上也实现了显著的优化,分别减少了13.8%和8.5%。[结论]这些改进不仅提升了模型的性能,还保持了其轻量化特性,对番茄叶片病虫害的检测具有重要参考价值。展开更多
文摘针对复杂电磁环境下雷达复合干扰识别困难和网络模型复杂度高的问题,将多标签分类与改进的ShuffleNet V2相结合,提出一种轻量化的多标签ShuffleNet(multi-labeling ShuffleNet, ML-SNet)雷达复合干扰识别算法。首先,使用轻量化的ShuffleNet V2作为主干网络,引入SimAM(similarity-based attention module)注意力机制,提高网络特征提取能力。其次,使用漏斗激活线性整流函数(funnel activation rectified linear unit, FReLU)代替线性整流单元(rectified linear unit, ReLU)激活函数,减少特征图的信息损失。最后,使用多标签分类算法对网络输出进行分类,得到识别结果。实验结果表明,在干噪比范围为-10~10 dB的情况下,所提算法对15类雷达复合干扰的平均识别率为97.9%。与其他网络相比,所提算法具有较低的计算复杂度,而且识别性能表现最佳。
文摘[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepViTBlock模块替换主干网络的C2f,减少了模型的计算量和参数量。其次,加入带切片操作的注意力机制SimAM,结合原有卷积形成Conv_SWS模块,提升了小目标的特征提取能力。另外,在颈部网络中使用DySample轻量动态上采样模块,使采样点集中在目标区域而不会关注背景部分,实现病虫害的有效识别。最后,将跨通道交互的高效率通道注意力(Efficient Channel Attention with Cross-Channel Interaction,EMCA)替换主干网络的金字塔空间注意力机制(Pyramid Spatial Attention, PSA),进一步提高了主干网络的特征提取能力。[结果与讨论]实验结果显示,YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%,相较于原模型,这些指标分别提升了3.8、3.3和4.2个百分点。同时,模型在参数量和计算量上也实现了显著的优化,分别减少了13.8%和8.5%。[结论]这些改进不仅提升了模型的性能,还保持了其轻量化特性,对番茄叶片病虫害的检测具有重要参考价值。
