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7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MobileNet V1的红外图像人体行为识别方法 被引量：2
1
作者 毛天雅 余磊 +4 位作者 周啸辉 姚天 万文文 熊邦书 欧巧凤 《辽宁工程技术大学学报（自然科学版）》 CAS 北大核心 2023年第3期362-369,共8页
为解决红外图像人体行为识别中深度学习模型参数量多、运行速度慢,以及无法对突发事件进行实时处理等问题,提出一种基于改进MobileNet V1网络的人体行为识别方法。根据红外图像特性,在通道维度上压缩输入特征,生成空间信息描述符;进行... 为解决红外图像人体行为识别中深度学习模型参数量多、运行速度慢,以及无法对突发事件进行实时处理等问题,提出一种基于改进MobileNet V1网络的人体行为识别方法。根据红外图像特性,在通道维度上压缩输入特征,生成空间信息描述符;进行充分的信息交互,并由Sigmoid函数得权重向量;与输入特征相乘,获得优化后的特征,构建高效空间注意力模块;利用空间注意力模块改进MobileNet V1网络,保留其轻量化优势并提升其在红外条件下的性能。实验结果表明,MobileNet V1+ESA网络的识别率达到99.83%,明显优于MobileNet V1网络;与基于红外图像的其他网络相比,在识别精度基本不变的情况下,大幅降低了参数量和运行时间,取得了良好的识别效果。 展开更多
关键词 人体行为识别 红外图像 mobilenet v1网络 空间注意力 ESA模块
原文传递
基于强化学习的模块化有遮挡人脸识别算法研究 被引量：3
2
作者 王丹淋 张辅超 +1 位作者 刘昕 王丽丽 《电子设计工程》 2025年第5期157-161,共5页
针对当前遮挡人脸识别算法存在准确率偏低及鲁棒性较差的不足,文中基于分块稀疏和强化学习模块提出了一种有遮挡的人脸识别算法。对于传统稀疏算法全局特征提取能力强、局部特征提取能力弱的问题,该算法结合分块的思想构建了分块稀疏模... 针对当前遮挡人脸识别算法存在准确率偏低及鲁棒性较差的不足,文中基于分块稀疏和强化学习模块提出了一种有遮挡的人脸识别算法。对于传统稀疏算法全局特征提取能力强、局部特征提取能力弱的问题,该算法结合分块的思想构建了分块稀疏模型,从而提升了模型的识别准确率。强化学习模块使用MobileNet作为源网络,并采用通道与空间注意力机制来增强网络的自适应性能。同时利用剪枝网络对模型的卷积核进行简化,从而增强了其与嵌入式移动设备间的兼容性。实验结果表明,所提算法的识别准确率在不同数据集上相较于对比算法提高了约5.01%和4.81%,参数量减少约0.267 MB,FPS则提升约12 fps,充分证明了该算法的鲁棒性及计算效率均较为理想。 展开更多
关键词 稀疏表示 分块思想 mobilenet-v1 注意力机制 剪枝网络 人脸识别
在线阅读 下载PDF
基于改进YOLO v4的玉米种子外观品质检测方法 被引量：21
3
作者 范晓飞 王林柏 +3 位作者 刘景艳 周玉宏 张君 索雪松 《农业机械学报》 EI CAS CSCD 北大核心 2022年第7期226-233,共8页
针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换... 针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling,SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。 展开更多
关键词 玉米种子 外观品质 多光谱图像 YOLO v4 mobilenet v1
在线阅读 下载PDF
基于轻量级卷积网络的复杂背景下接触网绝缘子识别 被引量：8
4
作者 赵大贺 姚晓通 《电瓷避雷器》 CAS 北大核心 2022年第3期172-178,200,共8页
基于传统深度学习模型的接触网绝缘子检测设备,由于模型参数较多,计算量较大,对计算机硬件要求较高,很难安装在轻小型移动端嵌入式平台等设备上。而且运行速度较慢,很难通过视觉对绝缘子清洗机器人进行实时牵引控制。针对这一问题,本研... 基于传统深度学习模型的接触网绝缘子检测设备,由于模型参数较多,计算量较大,对计算机硬件要求较高,很难安装在轻小型移动端嵌入式平台等设备上。而且运行速度较慢,很难通过视觉对绝缘子清洗机器人进行实时牵引控制。针对这一问题,本研究以MobileNet-v1为网络主体对复杂背景下的接触网绝缘子进行特征提取,并以SSD目标检测器对其进行识别。实验结果表明SSD-MobileNet模型大幅度降低了计算量,较大幅度提升了运行速度,但其精度几乎不变,从而实现了模型的轻量化和具备实时性,为绝缘子清洗的开展提供必要的前提。其中,MobileNet是Google推出的一款高效的移动端轻量化网络,其核心即是深度可分离卷积。本研究设计采用基于Pytorch框架来构建SSD-MobileNet模型。 展开更多
关键词 绝缘子 mobilenet-v1 SSD目标检测器 轻量化 实时性 深度可分离卷积 Pytorch
原文传递
基于可视化特征的Android恶意软件分类模型 被引量：1
5
作者 桑振 李坤明 庄海燕 《长春师范大学学报》 2022年第4期56-61,共6页
Android恶意软件严重影响用户的使用体验,威胁用户的财产安全、个人隐私。如何快速且准确地实现Android设备上恶意软件的分类成为研究热点。本文分析Android恶意软件的静态特征,通过可视化方法获得恶意软件的特征图像,采用卷积神经网络(... Android恶意软件严重影响用户的使用体验,威胁用户的财产安全、个人隐私。如何快速且准确地实现Android设备上恶意软件的分类成为研究热点。本文分析Android恶意软件的静态特征,通过可视化方法获得恶意软件的特征图像,采用卷积神经网络(CNN)来学习恶意软件的泛化特征。针对卷积神经网络在特征学习中内存资源占用过大的问题,运用MobileNet-V1模型对卷积神经网络进行轻量化改造,实现Android设备上恶意软件的快速分类。通过实验,本文搭建的模型对Android设备上恶意软件分类准确率达到85.9%,分类速度达到21.95 ms/次。相较于传统方法,本文模型在保持较高分类准确率的情况下大幅提升分类速度,减少网络计算复杂度,可以实现对终端设备上恶意软件的快速且准确的分类。 展开更多
关键词 Android恶意软件 特征可视化 mobilenet-v1 卷积神经网络
在线阅读 下载PDF
增强细节信息特征提取的鱼类个体识别算法 被引量：2
6
作者 王伟芳 殷健豪 +1 位作者 高春奇 刘梁 《现代电子技术》 北大核心 2024年第2期183-186,共4页
在鱼类个体识别的实际应用场景中,由于水下环境噪声大、鱼体角度倾斜以及类内特征差异不明显,导致卷积神经网络特征提取能力低下,影响识别准确性。针对该问题,提出一种增强细节信息特征提取的鱼类个体识别算法(FishNetv1)。改进YOLOv5... 在鱼类个体识别的实际应用场景中,由于水下环境噪声大、鱼体角度倾斜以及类内特征差异不明显,导致卷积神经网络特征提取能力低下,影响识别准确性。针对该问题,提出一种增强细节信息特征提取的鱼类个体识别算法(FishNetv1)。改进YOLOv5网络并建立损失函数,优化鱼类个体目标的检测结果。主干网络在MobileNet‐v1的基础上完成优化,改进深度卷积层,更新ReLU激活函数,使用Leaky ReLU保留负值特征信息,实现特征信息的获取。在网络结构末端全连接层前增加特征加权层,去除卷积神经网络中常用的池化层,完成图像细节信息的增强和特征提取。实验结果表明,所设计模型在DLOUFish数据集上的平均准确率为92.46%,最高准确率达到95.69%。 展开更多
关键词 鱼类个体识别 关键点检测 特征提取 mobilenet‐v1 YOLOv5网络 特征加权
在线阅读 下载PDF
卷积神经网络在无人机图像识别中的应用
7
作者 茹鲜古丽·苏来满 吾尔尼沙·依米提 涂伟沪 《信息记录材料》 2024年第3期146-148,共3页
本研究深入探讨了在无人机图像识别任务中应用轻量化卷积神经网络MobileNet⁃V1的方法。首先,研究了MobileNet⁃V1的结构,特别关注其轻量级设计,以适应无人机图像处理的实际需求。其次,在方法应用方面,重点研究了针对无人机图像的图像增... 本研究深入探讨了在无人机图像识别任务中应用轻量化卷积神经网络MobileNet⁃V1的方法。首先,研究了MobileNet⁃V1的结构,特别关注其轻量级设计,以适应无人机图像处理的实际需求。其次,在方法应用方面,重点研究了针对无人机图像的图像增强技术,并基于MobileNet⁃V1构建了图像识别模型。最后,通过在广泛应用的AU⁃AIR数据集上进行实验,验证了所提方法的有效性,取得了令人满意的性能表现。实验结果显示,该方法在准确度、精确度和F1分数等指标上取得了良好的综合性能。 展开更多
关键词 卷积神经网络 mobilenet⁃v1 图像增强 图像识别 无人机
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