摘要：针对现有残差网络存在残差特征利用不充分、细节丢失的问题,提出一种结合两层残差聚合结构和感受野扩展双注意力机制的深度神经网络模型,用于单幅图像超分辨率(SISR)重建。该模型通过跳跃连接形成两层嵌套的残差聚合网络结构,对网络各层提取的大量残差信息进行分层聚集和融合,能减少包含图像细节的残差信息的丢失。同时,设计一种多尺度感受野扩展模块,能捕获更大范围、不同尺度的上下文相关信息,促进深层残差特征的有效提取;并引入空间-通道双注意力机制,增强残差网络的判别性学习能力,提高重建图像质量。在数据集Set5、Set14、BSD100和Urban100上进行重建实验,并从客观指标和主观视觉效果上将所提模型与主流模型进行比较。客观评价结果表明,所提模型在全部4个测试数据集上均优于对比模型,其中,相较于经典的超分辨率卷积神经网络(SRCNN)模型和性能次优的对比模型ISRN(Iterative Super-Resolution Network),在放大2倍、3倍、4倍时的平均峰值信噪比(PSNR)分别提升1.91、1.71、1.61 dB和0.06、0.04、0.04 dB;视觉效果对比显示,所提模型恢复的图像细节纹理更清晰。

摘要：针对绝缘子不同程度缺陷特征相似、像素信息少、不同程度缺陷检测效果不佳的问题,提出了一种基于多尺度特征融合的绝缘子缺陷程度检测网络(multi-scale feature fusion defect degree detection network,MFFD3Net)。该网络采用重构的ResNeSt50架构提高了对绝缘子缺陷程度数据集的特征提取能力。设计了基于反卷积的多尺度特征融合模块,丰富了不同尺寸特征图的表达能力,提高了对不同尺度目标的检测性能。同时,在输入检测模块的浅层特征图后增加多感受野的特征提取模块(receptive field block,RFB),使得更多绝缘子缺陷信息进入有效感受野,对最终特征图产生影响,提升不同程度绝缘子缺陷的检测精度。MFFD3Net在绝缘子缺陷程度数据集上的全类平均精度达到85.02%,其中绝缘子轻微破损与绝缘子轻微闪络小目标的检测精度分别为78.37%、79.98%,能够完成不同程度绝缘子缺陷的识别与定位。因此,该文提出的MFFD3Net对于完善电力系统故障预警、保障电网安全稳定运行具有重要意义。

摘要：为实现茶嫩芽快速识别与采摘点定位,研究一种轻量级深度学习网络实现茶嫩芽分割与采摘点定位。采用MobileNetV2主干网络与空洞卷积相结合,较好地平衡茶嫩芽图像分割速度与精度的矛盾,实现较高分割精度的同时,满足茶嫩芽快速识别的要求,并设计外轮廓扫描与面积阈值过滤相结合的采摘点定位方法。试验表明:所提出的茶嫩芽分割算法在单芽尖及一芽一叶数据集中精度优异,平均交并比mIoU分别达到91.65%和91.36%;在保持高精度的同时,模型复杂度低,参数量仅5.81 M、计算量仅39.78 GFOLPs;在单芽尖、一芽一叶及一芽两叶数据集中各随机抽取200张图片进行采摘点定位验证,定位准确率分别达到90.38%、95.26%和96.60%。

摘要：道路目标识别是智能交通系统解决城市拥堵问题的核心技术之一,然而现有算法在复杂交通环境下识别效果较差,存在大量漏检和误检情况,且模型参数量大,不适合在实际场景下部署于资源有限的移动端设备。针对以上问题,提出一种复杂环境下的轻量化道路目标识别算法。基于SSD算法结构设计一种可重构的特征提取网络框架,利用3种轻量化模块分别构建浅层特征提取网络,以自定义的Additional Block构建深层特征提取网络,并分别采用通道注意力机制和轻量化感受野扩大(RFB-L)模块提升模型对各尺寸目标的检测效果。利用自定义的像素与通道信息融合模块实现浅层与深层特征的融合,丰富待检测特征图包含的信息。同时,提出一种多特征融合的学习率调节算法,使得训练过程中模型性能稳定地达到收敛。自制复杂拥堵道路数据集Hohhot_city用于算法训练和测试,与主流算法的对比实验结果表明,该算法性能明显优于参数量同级别的YOLOv4-tiny和YOLOv5s算法,在参数量不到YOLOv5m算法40%的情况下与其检测精度接近,并取得了12.8 ms的推理时间和99.1%的均值平均精度。

摘要：X光图像违禁品检测是一项极其重要的工作,可以在机场、车站等公共场所检测出各种危险物品,防止事故发生,保护旅客安全。然而,由于X光图像背景复杂、目标尺度变化大等问题,传统的检测算法难以实现准确的检测。因此,针对X光图像背景复杂、违禁品尺度变化大等问题,同时考虑到实际检测场景中对于模型性能和运行速度的要求,本文对YOLOv5s网络模型进行改进。首先,为了提升网络对全局特征的提取能力,在主干网络引入Transformer模块,依赖其全局建模能力,弥补局部信息的不足;然后,为了更加准确地检测X光图像中不同尺度的违禁品,结合空洞卷积、CBAM(Convolutional Block Attention Module)设计感受野自适应融合模块,对不同尺度感受野信息进行合理分配,提升对于背景复杂下不同尺度违禁品的检测精度,使模型可以更好地适应不同的任务场景;最后,在模型中使用优化的DIoU(EDIoU)边框回归损失函数,在DIoU中引入惩罚权重φ,在缩短模型的训练时间,减小边框损失误差的同时,进一步提高模型对违禁品的检测精度。为了验证本文提出的优化方法的可行性,优化后的YOLOv5s模型在实验室自制的数据集SIXray_OD上进行验证,实验结果表明,优化后的模型检测平均精度提升到89.8%,较原模型提升0.9%。

摘要：针对航拍图像目标尺度小、背景复杂、漏检和误检严重,提出了一种基于位置感知和跨层特征融合的航拍小目标检测算法DC-YOLOv8s。DC-YOLOv8s新增小目标检测层,增强对小目标尺度的敏感性,提高检测精度。为了减少特征信息的丢失,设计了跨层特征融合模块,充分融合小目标浅层语义信息和深层语义信息,丰富特征表示。改进C 2f结构,结合可变性卷积设计了基于位置感知融入残差的感受野注意力模块,适应航拍小目标形状的变化,快速提取感受野特征,降低漏检和误检率。最后使用基于注意力机制的动态检测头在尺度感知、空间感知、任务感知方面提高复杂场景下小目标的定位性能。实验表明,在VisDrone2019数据集上,DC-YOLOv8s在P、R、mAP上相较于YOLOv8s分别提高了7.2%、7.5%、9.1%,显著提高了小目标检测的性能,FPS为71帧,满足实时性要求。在VOC2007+2012上进行模型泛化性实验验证,效果优于其他经典算法。

摘要：针对现有基于知识图谱的推荐算法大多采用随机采样的方法构建感受野导致部分重要信息丢失的问题,提出一种基于协同信号的知识图注意力网络推荐算法(CKGAN)。设计协作传播层,将用户的历史项目和待推荐项目在知识图谱中进行传播;为区分不同关系下的实体对中心节点的重要性不同,在聚合邻域信息时引入图注意力网络;为解决用户的不同兴趣,在预测层中,面对不同的候选集动态建模用户的向量表示。通过在***、Book-Cross、MovieLens-1M这3个真实的公共数据集上与主流的推荐算法进行对比实验,其结果表明,CKGAN在CTR预测和top-K推荐中都有显著提升。

摘要：为解决传统的异常检测模型对工业时序数据异常点检测方面误判率大和抗干扰性差的问题,提出一种改进的变分自编码器模型。考虑到工业时序数据的不规律性,使用变分自编码器模型作为基础架构;由于变分自编码器本身存在难以准确检测出异常时序数据的问题,在编码和解码过程中分别引入时间卷积网络和通道注意力机制,实现扩大感受野和增强特征权重;对数据时序数据使用随机森林进行特征排序,提高检测的准确性。通过进行对比测试实验,验证了该模型可以有效提高对异常工业时序数据点检测的准确性和可靠性。

摘要：安全帽检测是保障建筑施工现场安全的一个有效手段。为保证暗光条件下图像分辨度,塔机吊钩摄像头夜间经常需采集灰度图像。由于摄像头晃动和人员走动,安全帽目标区域还经常会出现模糊现象。为解决模糊灰度图像中目标特征丢失所导致的检测精度下降问题,以YOLOX为基准模型,提出一种用于夜间安全帽检测的特征增强和回归权重自适应YOLOX(feature enhancement and regression weight adaptive,FERWA-YOLOX)算法。算法在输入层增加了融合不同大小感受野的多尺度残差(multi-scale residuals,MSR)模块,在同层网络中融合更多局部特征,降低目标局部模糊带来的影响;在解耦头的分类分支增加并行池化通道注意力(parallel pooling channel attention,PPCA)模块,弥补因目标颜色特征丢失所导致的网络分类能力的下降;设计了一种带双惩罚项的损失函数(double penalty items-Siou,DPI-Siou),自适应地降低形状固定目标的形状损失和模糊目标在回归时的权重,提高网络的检测精度。实验结果表明,FERWA-YOLOX较原YOLOX算法,mAP提升了4.88个百分点,参数量仅提升0.5 MB,且满足夜间实时检测需求。

摘要：针对当前船舶检测模型复杂度高、对设备资源要求较高等问题,提出一种基于YOLOv5s的船舶目标检测算法SRE-YOLOv5s.该算法使用ShuffleNetV2轻量级网络替换YOLOv5s原始特征提取主干网络降低模型复杂度,并使用感受野模块(Receptive Field Block,RFB)增强算法特征处理能力,考虑到Complete IoU(CIoU)损失函数会影响模型收敛速度,采用Efficient IoU(EIoU)损失函数进行优化.通过对SRE-YOLOv5s算法进行训练和验证,结果表明:SRE-YOLOv5s在轻量化的同时保证了检测精度,与其他主流轻量化检测模型相比,SRE-YOLOv5s具有更好的检测性能.此外,根据船舶可视化检测结果可知,SRE-YOLOv5s模型在实际场景中具有较大的应用潜力.