-
题名基于改进YOLOv7的MODF端口状态检测算法
- 1
-
-
作者
胡朝举
郭凤仪
-
机构
华北电力大学计算机系
-
出处
《计算机工程》
北大核心
2025年第2期78-85,共8页
-
基金
国家自然科学基金(61502168)。
-
文摘
人工巡检的管理方式导致光纤总配线架(MODF)端口状态的信息准确率较低,无法区分占用端口与虚占端口。针对MODF资源管理中的端口状态识别问题,提出一种改进的YOLOv7目标检测模型。鉴于数据集采集困难且类别不均衡,采用多种数据增强方法来扩充数据集;在骨干网络中使用共享权重的感受野扩大模块(RFEM),扩大端口目标的感受野,减少训练过程中的过拟合风险;提出F-EMA注意力模块,以提高对空间上下文信息的利用率,减少因端口接近或被遮挡而导致的漏检、误检等情况;使用NWD损失函数替代交并比(IoU)度量,减轻对小目标位置偏差的敏感性,提升密集小物体检测准确率。实验结果表明,改进模型的mAP@0.5值达到98.8%,相比原Yolov7模型提升了2百分点,mAP@0.5∶0.95值达到63.8%,提升了9.5百分点,提高了MODF端口资源利用率,满足智能巡检系统对于端口占用状态识别准确率的基本要求。
-
关键词
深度学习
YOLOv7算法
光纤总配线架
损失函数
感受野扩大模块
注意力模块
-
Keywords
deep learning
YOLOv7 algorithm
Fiber Optic Distribution Frame(MODF)
loss function
receptive field expansion module(rfem)
attention module
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于有效感受野和注意力融合机制的脑肿瘤全自动分割
- 2
-
-
作者
邹祥
王瑜
肖洪兵
杨迪
-
机构
北京工商大学计算机与人工智能学院
中工国际工程股份有限公司
-
出处
《中国医学物理学杂志》
CSCD
2024年第5期563-570,共8页
-
基金
北京市自然科学基金-北京市教育委员会科技计划重点项目(KZ202110011015)。
-
文摘
深度学习在医学图像分割领域取得了显著成果,但其在脑肿瘤分割任务中,仍面临感受野不足、冗余信息过多、信息丢失等问题;为此,本研究提出一种基于编-解码结构的脑肿瘤分割网络模型(EAU-Net)。EAU-Net采用有效感受野拓展模块和注意力融合模块改善脑肿瘤分割网络感受野不足与冗余信息过多带来的不利影响;同时,引入基于倒残差结构的瓶颈重采样模块,有效避免上下采样时造成的信息损失,并采用深度卷积降低网络的计算量。在BraTS2020数据集上的实验结果表明,EAU-Net获得最优的分割精度,验证了其在脑肿瘤分割任务中的可行性和有效性。
-
关键词
脑肿瘤分割
EAU-Net
有效感受野拓展模块
注意力融合模块
倒残差结构
-
Keywords
brain tumor segmentation
EAU-Net
effective receptive field expansion block
attention fusion module
inverted residual structure
-
分类号
R318
[医药卫生—生物医学工程]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
