为了解决牛只多尺度、多目标、多部位状态信息的快速准确识别问题,笔者提出一种基于实时多目标注意力模型的牛只多部位快速自动化检测方法,采用多尺度注意力网络MSEAY,在网络中加入了SE(squeeze and excitation networks)注意力机制、H-...为了解决牛只多尺度、多目标、多部位状态信息的快速准确识别问题,笔者提出一种基于实时多目标注意力模型的牛只多部位快速自动化检测方法,采用多尺度注意力网络MSEAY,在网络中加入了SE(squeeze and excitation networks)注意力机制、H-swish激活函数及SIoU损失函数,消除现有牛群图像检测中光照、重叠、多类型等对图像检测结果产生的影响,先对牛只图像进行标注及预处理,然后采用MoibleNetv3模型作为Backbone进行牛只的部位划分识别,进而实现了多尺度、多部位牛只状态信息的精准分类与识别。结果表明:在选用含肉牛样本集合的前提下,各部位平均分类结果的精确率为96.6%,召回率为94.7%,F1值为94.1%,mAP@50值为97.4%;在仅选用种牛样本集合的前提下,各部位检测精确率为头部96.4%,躯干97.2%,腿部97.3%,平均值97.0%。本算法在保证检测实时性的同时提高了多尺度、多牛只的检测精度,验证了方法的鲁棒性与可泛化性,可用于多尺度、多目标、多部位状态信息的快速准确识别。展开更多
飞机机动识别在量化飞行员训练效果、预测对方战术意图及获取战场主动权等方面有着重要意义,然而战场数据的高度不平衡性严重制约了该技术的实际应用。近年来,生成式人工智能迅猛发展,其中,去噪扩散概率模型(Denoising Diffusion Probab...飞机机动识别在量化飞行员训练效果、预测对方战术意图及获取战场主动权等方面有着重要意义,然而战场数据的高度不平衡性严重制约了该技术的实际应用。近年来,生成式人工智能迅猛发展,其中,去噪扩散概率模型(Denoising Diffusion Probability Model,DDPM)在视觉领域展现出卓越的样本生成能力,受此启发,本文提出了一种基于马尔可夫转移场(Markov Transfer Field,MTF)的时序数据可视化方法:通过将飞机机动时序数据转换为二维图像,并结合DDPM生成新样本,有效解决样本不平衡问题,同时将时序分类任务转化为图像分类任务。为此,本文设计了一种新型分类网络架构,深度融合MobileNetV3的高效局部特征提取能力与Swin-Transformer的全局注意力机制优势,构建了融合可视化方法、DDPM生成模型与分类网络的飞机机动识别方法。实验结果表明,该方法在飞机机动识别任务中的精度显著优于图像分类领域的其他经典模型。展开更多
文摘为了解决牛只多尺度、多目标、多部位状态信息的快速准确识别问题,笔者提出一种基于实时多目标注意力模型的牛只多部位快速自动化检测方法,采用多尺度注意力网络MSEAY,在网络中加入了SE(squeeze and excitation networks)注意力机制、H-swish激活函数及SIoU损失函数,消除现有牛群图像检测中光照、重叠、多类型等对图像检测结果产生的影响,先对牛只图像进行标注及预处理,然后采用MoibleNetv3模型作为Backbone进行牛只的部位划分识别,进而实现了多尺度、多部位牛只状态信息的精准分类与识别。结果表明:在选用含肉牛样本集合的前提下,各部位平均分类结果的精确率为96.6%,召回率为94.7%,F1值为94.1%,mAP@50值为97.4%;在仅选用种牛样本集合的前提下,各部位检测精确率为头部96.4%,躯干97.2%,腿部97.3%,平均值97.0%。本算法在保证检测实时性的同时提高了多尺度、多牛只的检测精度,验证了方法的鲁棒性与可泛化性,可用于多尺度、多目标、多部位状态信息的快速准确识别。
文摘飞机机动识别在量化飞行员训练效果、预测对方战术意图及获取战场主动权等方面有着重要意义,然而战场数据的高度不平衡性严重制约了该技术的实际应用。近年来,生成式人工智能迅猛发展,其中,去噪扩散概率模型(Denoising Diffusion Probability Model,DDPM)在视觉领域展现出卓越的样本生成能力,受此启发,本文提出了一种基于马尔可夫转移场(Markov Transfer Field,MTF)的时序数据可视化方法:通过将飞机机动时序数据转换为二维图像,并结合DDPM生成新样本,有效解决样本不平衡问题,同时将时序分类任务转化为图像分类任务。为此,本文设计了一种新型分类网络架构,深度融合MobileNetV3的高效局部特征提取能力与Swin-Transformer的全局注意力机制优势,构建了融合可视化方法、DDPM生成模型与分类网络的飞机机动识别方法。实验结果表明,该方法在飞机机动识别任务中的精度显著优于图像分类领域的其他经典模型。
