-
题名基于双分支特征提取的多波束与侧扫声呐图像融合方法
- 1
-
-
作者
颜茹雪
崔学荣
-
机构
中国石油大学(华东)海洋与空间信息学院
-
出处
《物联网技术》
2026年第2期126-130,共5页
-
文摘
针对多波束声呐与侧扫声呐图像在融合过程中存在细节信息丢失与特征提取不充分的问题,提出一种基于双分支特征提取的声呐图像融合网络(DFPC)。该网络主要由编码器、融合层以及解码器三部分构成,在共享编码器部分,设计了多尺度特征增强模块,可有效应对网络结构加深导致的特征信息丢失问题;在独立编码器部分,引入双分支Poolformer-CNN特征提取器,用Poolformer模块代替传统Transformer模块,使网络自适应聚焦在图像的关键区域,精准提取整体结构和背景信息,同时设计了SE-INN模块以提升网络捕捉高频细节的能力;在解码阶段,引入CBAM模块以强化解码器对关键区域和细节特征的关注,有效提升融合图像的细节恢复与结构保留能力。实验结果表明,所提出的DFPC融合网络在多波束声呐与侧扫声呐图像融合任务中表现出显著的性能优势,融合后的图像在边缘保留、细节清晰度以及全局结构信息等方面均优于现有方法。
-
关键词
多波束声呐图像
侧扫声呐图像
图像融合
Restormer
poolformer
CBAM
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名用于6D姿态估计的轻量级全流双向融合网络
被引量：1
- 2
-
-
作者
林浩田
李永昌
江静
秦广军
-
机构
北京联合大学智慧城市学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第22期282-291,共10页
-
基金
北京联合大学科研项目(ZKZD202301)。
-
文摘
六自由度(six degrees of freedom,6D)姿态估计是机器人抓取与操作、增强现实、自动驾驶等应用中的关键步骤。常规的6D姿态估计方法更多地侧重于设计复杂的网络来提高估计效果,而忽略了由于模型复杂度过高和参数数量庞大导致的实际部署困难问题。以FFB6D为基线,尝试设计了一个轻量级全流双向融合网络(lightweight full-flow bidirectional fusion network,LFFB6D),一种基于RGBD的轻量级6D姿态估计方法。该方法由卷积神经网络(convolutional neural network,CNN)与点云网络(point cloud network,PCN)两个并行的编码-解码网络组成。具体来说在CNN部分,引入FasterNet来代替3×3卷积。通过更换CNN的编码网络,提出了一个上采样模块FUPB(faster upsample block),以减少网络参数。在PCN部分,引入PoolFormer来处理和聚合点云特征。提出了一个新的池化模块PFPB(PoolFormer pooling block),以提高网络的性能。实验表明,LFFB6D的参数量相较FFB6D减少了46%。在仅使用1/13的LineMOD训练集和1/9的YCB-Video训练集的情况下,LFFB6D的6D姿态估计结果超越了PoseCNN、DenseFusion等方法,达到了与PVN3D和FFB6D相近的结果。
-
关键词
RGBD
姿态估计
轻量化
FasterNet
poolformer
-
Keywords
RGBD
pose estimation
lightweight
FasterNet
poolformer
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于P-MobileViT网络的小麦病害分类研究
- 3
-
-
作者
彭思绘
汪宇玲
-
机构
东华理工大学信息工程学院
-
出处
《江苏农业科学》
北大核心
2024年第20期260-267,共8页
-
基金
国家自然科学基金(编号:62066003)
国家留学基金(编号:CSC202208360143)
江西省研究生创新专项资金(编号:YC2022-s626)。
-
文摘
针对小麦病害图像分类方法的识别准确率不理想、模型参数量大等问题,提出一种基于P-MobileViT的小麦病害分类模型。首先对小麦图像进行健康和病害二分类,融合Grabcut算法、大律法对小麦病害图像的病斑区域进行分割;然后将病斑图像输入P-MobileViT分类模型,在其block的局部表征模块中引入深度卷积提取病斑图像的局部特征,在全局表征模块使用PoolFormer结构提取全局特征,以减少模型计算量和参数量;将输入特征图和全局特征叠加后与局部特征进行融合,从而强化模型对特征的分类能力。与经过迁移学习的轻量级深度学习模型MobileViT、ShuffleNet v2、MobileNet v3、GhostNet、EfficientNet v2在公开小麦病害数据集上进行试验对比,结果表明,P-MobileViT模型的准确率达到97.2%,比MobileViT模型高出了2.0百分点,同时参数量、推理时间分别减少了23.1%、31.6%;与其中准确率较高的模型MobileNet v3、GhostNet相比,P-MobileViT模型的准确率也分别提高3.1、3.3百分点,参数量分别减少58.3%、61.5%。在小麦病害分类任务中,P-MobileViT模型实现了识别精度的提升,有效减少了识别时间开销,且降低了模型复杂度。
-
关键词
小麦病害
病害分类
MobileViT
图像分割
poolformer
-
分类号
S126
[农业科学—农业基础科学]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
