针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络C...针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet模块进行图像的特征提取;2)改进YOLOv4网络的加强特征提取部分PANet结构;3)结合迁移学习与YOLOv4网络训练技巧。通过试验将YOLOv4及其MobileNet系列轻量化网络与Faster-RCNN系列网络和SSD系列网络进行对比,结果表明,改进的YOLOv4-GhostNet模型平均准确率达到79.38%,检测速度可达1 s 34.51帧,模型权重大小缩减为42.45 MB,在保持检测精度达到较高水平的同时模型参数量大幅度降低,适用于部署在计算能力不足的嵌入式设备上。展开更多
针对遥感图像场景分类任务从复杂背景下准确提取出地物信息困难和普通卷积提取特征容易产生冗余特征的问题,提出一种基于改进密集连接网络(Ghost-Densenet)的分类模型。该模型利用SoftPool对MaxPool和AveragePool进行替换,最大程度上保...针对遥感图像场景分类任务从复杂背景下准确提取出地物信息困难和普通卷积提取特征容易产生冗余特征的问题,提出一种基于改进密集连接网络(Ghost-Densenet)的分类模型。该模型利用SoftPool对MaxPool和AveragePool进行替换,最大程度上保留了遥感图像的主要特征;利用Ghost模块通过简单线性变化生成特征图的特性,有效增强模型特征提取能力的同时减少了网络瓶颈层的冗余特征和网络的参数量与计算量。实验结果表明,该模型在UC Merced_Land Use数据集上的平均准确率为92.76%,相较于Densenet121,模型大小减少26.57%,计算量降低32.99%,准确率提高1.17%。通过在Aerial Image Dataset、WHU-RS19 Date Set、RSSCN7 Date Set、SIRI-WHU Date Set四个数据集上进行实验,验证了模型的有效性和鲁棒性,对遥感图像场景分类任务具有良好的应用价值。展开更多
文摘针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet模块进行图像的特征提取;2)改进YOLOv4网络的加强特征提取部分PANet结构;3)结合迁移学习与YOLOv4网络训练技巧。通过试验将YOLOv4及其MobileNet系列轻量化网络与Faster-RCNN系列网络和SSD系列网络进行对比,结果表明,改进的YOLOv4-GhostNet模型平均准确率达到79.38%,检测速度可达1 s 34.51帧,模型权重大小缩减为42.45 MB,在保持检测精度达到较高水平的同时模型参数量大幅度降低,适用于部署在计算能力不足的嵌入式设备上。
文摘针对遥感图像场景分类任务从复杂背景下准确提取出地物信息困难和普通卷积提取特征容易产生冗余特征的问题,提出一种基于改进密集连接网络(Ghost-Densenet)的分类模型。该模型利用SoftPool对MaxPool和AveragePool进行替换,最大程度上保留了遥感图像的主要特征;利用Ghost模块通过简单线性变化生成特征图的特性,有效增强模型特征提取能力的同时减少了网络瓶颈层的冗余特征和网络的参数量与计算量。实验结果表明,该模型在UC Merced_Land Use数据集上的平均准确率为92.76%,相较于Densenet121,模型大小减少26.57%,计算量降低32.99%,准确率提高1.17%。通过在Aerial Image Dataset、WHU-RS19 Date Set、RSSCN7 Date Set、SIRI-WHU Date Set四个数据集上进行实验,验证了模型的有效性和鲁棒性,对遥感图像场景分类任务具有良好的应用价值。
