期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进CSWin Transformer的肠道息肉影像分割方法
1
作者 赵宏 米珊 安定 《兰州理工大学学报》 2026年第2期91-98,共8页
针对传统UNet型肠道息肉分割模型分割精度不高的问题,提出一种基于改进CSWin Transformer的肠道息肉分割模型,分为编码器和解码器两大部分.首先,在编码阶段,利用带十字窗口的CSWin Transformer作为编码器提取肠道息肉影像的全局上下文信... 针对传统UNet型肠道息肉分割模型分割精度不高的问题,提出一种基于改进CSWin Transformer的肠道息肉分割模型,分为编码器和解码器两大部分.首先,在编码阶段,利用带十字窗口的CSWin Transformer作为编码器提取肠道息肉影像的全局上下文信息.并在每层编码器的CSWin Transformer块中引入卷积块注意力(CBAM),增强模型对息肉区域和边缘信息的捕获能力.其次,在解码阶段,同样使用CSWin Transformer作为解码器,通过跳跃连接使编码器与解码器相连.最后,在编码器与解码器的中间层利用自感知注意模块(SAA)建立特征间的非局部信息交互.在开源的Kvasir-SEG、CVC-ClinicDB、EndoTect和CVC-ColonDB数据集上进行实验,所提方法分别获得0.888、0.927、0.904和0.911的Dice系数,同时获得0.876、0.902、0.831和0.860的MIoU.相比传统U型肠道息肉分割模型,Dice系数和MIoU分别提升了2.1%和2.5%. 展开更多
关键词 肠道息肉分割 cswin transformer 卷积块注意力 非局部信息交互 深度学习
在线阅读 下载PDF
基于改进SSD算法的葡萄叶病斑检测方法研究
2
作者 白滔 滕开良 《农业技术与装备》 2025年第6期3-7,共5页
针对葡萄叶病斑外观形状多变、病斑密集及小目标漏检等问题,提出了一种基于改进SSD算法的葡萄叶病斑检测算法。引入CSwin Transformer自注意力模块以实现局部特征与全局特征的有效交互。将原多尺度特征提取模块改成特征金字塔网络,以实... 针对葡萄叶病斑外观形状多变、病斑密集及小目标漏检等问题,提出了一种基于改进SSD算法的葡萄叶病斑检测算法。引入CSwin Transformer自注意力模块以实现局部特征与全局特征的有效交互。将原多尺度特征提取模块改成特征金字塔网络,以实现多尺度融合,并将CBAM注意力机制引入多尺度融合网络,以增强对小目标特征的捕捉能力。将原交叉熵损失函数替换为Focal Loss损失函数以缓解模型训练时正负样本失衡问题。实验结果表明,相较于SSD原模型,所提改进模型在2种病害检测精度上均有所提升,能够为田间葡萄叶病害检测提供新的选择方案。 展开更多
关键词 葡萄叶 病斑 SSD cswin transformer 注意力机制
在线阅读 下载PDF
DEC-Net:基于双分支嵌入连接的混凝土裂缝图像分割
3
作者 王帆 贾梦晔 +1 位作者 王艺萌 曹笑 《国防交通工程与技术》 2025年第4期24-28,34,共6页
混凝土建筑易受多重因素影响产生裂缝,影响美观与安全。深度学习因其泛化能力和鲁棒性在裂缝检测中成效显著,但仍面临挑战,尤其是细长裂缝检测。现有模型多依赖卷积神经网络或Transformer为特征提取主干,检测能力有限,为此提出基于双分... 混凝土建筑易受多重因素影响产生裂缝,影响美观与安全。深度学习因其泛化能力和鲁棒性在裂缝检测中成效显著,但仍面临挑战,尤其是细长裂缝检测。现有模型多依赖卷积神经网络或Transformer为特征提取主干,检测能力有限,为此提出基于双分支嵌入连接的混凝土裂缝图像分割模型。其中,Global Branch提取图像全局上下文信息特征;CNN Branch将原图像经过卷积得到特征图,此过程只改变通道数,而没有下采样,从而保留图片的空间细节信息。通过引入嵌入连接模块将Global Branch全局信息和CNN Branch局部信息进行融合;解码器逐步上采样,恢复特征图至原图大小。实验显示,该模型在Crack500和DeepCrack数据集上F1-Score值分别为77.75%和88.93%,提高了细长裂缝分割精度。 展开更多
关键词 混凝土裂缝 图像分割 cswin transformer 双分支编码器
在线阅读 下载PDF
基于十字形窗口的生成对抗网络模型
4
作者 王丹 王鹏程 +1 位作者 张桉祺 王子涵 《天津科技大学学报》 CAS 2024年第3期64-71,共8页
由于传统的生成对抗网络(generative adversarial network,GAN)都是以卷积神经网络(convolutional neural networks,CNN)作为基本框架,CNN无法处理远程依赖关系,因此会导致图片特征分辨率低和精细细节损失的问题。CSWin Transformer中... 由于传统的生成对抗网络(generative adversarial network,GAN)都是以卷积神经网络(convolutional neural networks,CNN)作为基本框架,CNN无法处理远程依赖关系,因此会导致图片特征分辨率低和精细细节损失的问题。CSWin Transformer中的十字形窗口自注意力机制可以有效捕获图像组件之间的远程依赖关系,本文提出一种基于CSWin Transformer的生成对抗网络模型CTGAN(CSWin Transformer GAN),模型在CIFAR-10数据集和更高分辨率的CelebA数据集上进行测试,模型表现出了较好的生成效果,可以生成保真度高且细节丰富的图片。 展开更多
关键词 生成对抗网络 cswin transformer 生成模型
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部