期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
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153篇文章
< 1 2 … 8 >
每页显示 20 50 100
已选0条
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：
Research on Real-Time Object Detection and Tracking for UAV Surveillance Based on Deep Learning 认领 引用
1
作者 Fei Liu Lu Jia Sichuan 《Journal of Electronic Research and Application》 2025年第3期235-240,共6页
To address the challenges of low accuracy and insufficient real-time performance in dynamic object detection for UAV surveillance,this paper proposes a novel tracking framework that integrates a lightweight improved Y... To address the challenges of low accuracy and insufficient real-time performance in dynamic object detection for UAV surveillance,this paper proposes a novel tracking framework that integrates a lightweight improved YOLOv5s model with adaptive motion compensation.A UAV-view dynamic feature enhancement strategy is innovatively introduced,and a lightweight detection network combining attention mechanisms and multi-scale fusion is constructed.The robustness of tracking under motion blur scenarios is also optimized.Experimental results demonstrate that the proposed method achieves a mAP@0.5 of 68.2%on the VisDrone dataset and reaches an inference speed of 32 FPS on the NVIDIA Jetson TX2 platform.This significantly improves the balance between accuracy and efficiency in complex scenes,offering reliable technical support for real-time applications such as emergency response. 展开更多
关键词 UAV surveillance Real-time object detection Deep learning Lightweight model Motion compensation
暂未订购 下载PDF
Intelligent Deep Convolutional Neural Network Based Object DetectionModel for Visually Challenged People 认领 引用
2
作者 S.Kiruthika Devi Amani Abdulrahman Albraikan +3 位作者 Fahd N.Al-Wesabi Mohamed K.Nour Ahmed Ashour Anwer Mustafa Hilal 《Computer Systems Science & Engineering》 SCIE EI 2023年第9期3191-3207,共17页
Artificial Intelligence(AI)and Computer Vision(CV)advancements have led to many useful methodologies in recent years,particularly to help visually-challenged people.Object detection includes a variety of challenges,fo... Artificial Intelligence(AI)and Computer Vision(CV)advancements have led to many useful methodologies in recent years,particularly to help visually-challenged people.Object detection includes a variety of challenges,for example,handlingmultiple class images,images that get augmented when captured by a camera and so on.The test images include all these variants as well.These detection models alert them about their surroundings when they want to walk independently.This study compares four CNN-based pre-trainedmodels:ResidualNetwork(ResNet-50),Inception v3,DenseConvolutional Network(DenseNet-121),and SqueezeNet,predominantly used in image recognition applications.Based on the analysis performed on these test images,the study infers that Inception V3 outperformed other pre-trained models in terms of accuracy and speed.To further improve the performance of the Inception v3 model,the thermal exchange optimization(TEO)algorithm is applied to tune the hyperparameters(number of epochs,batch size,and learning rate)showing the novelty of the work.Better accuracy was achieved owing to the inclusion of an auxiliary classifier as a regularizer,hyperparameter optimizer,and factorization approach.Additionally,Inception V3 can handle images of different sizes.This makes Inception V3 the optimum model for assisting visually challenged people in real-world communication when integrated with Internet of Things(IoT)-based devices. 展开更多
关键词 Pre-trained models object detection visually challenged people deep learning Inception V3 DenseNet-121
暂未订购 下载PDF
An Improved Knowledge Distillation Algorithm and Its Application to Object Detection 认领 引用 被引量：1
3
作者 Min Yao Guofeng Liu +1 位作者 Yaozu Zhang Guangjie Hu 《Computers, Materials & Continua》 SCIE EI 2025年第5期2189-2205,共17页
Knowledge distillation(KD)is an emerging model compression technique for learning compact object detector models.Previous KD often focused solely on distilling from the logits layer or the feature intermediate layers,... Knowledge distillation(KD)is an emerging model compression technique for learning compact object detector models.Previous KD often focused solely on distilling from the logits layer or the feature intermediate layers,which may limit the comprehensive learning of the student network.Additionally,the imbalance between the foreground and background also affects the performance of the model.To address these issues,this paper employs feature-based distillation to enhance the detection performance of the bounding box localization part,and logit-based distillation to improve the detection performance of the category prediction part.Specifically,for the intermediate layer feature distillation,we introduce feature resampling to reduce the risk of the student model merely imitating the teacher model.At the same time,we incorporate a Spatial Attention Mechanism(SAM)to highlight the foreground features learned by the student model.In terms of output layer feature distillation,we divide the traditional distillation targets into target-class objects and non-target-class objects,aiming to improve overall distillation performance.Furthermore,we introduce a one-to-many matching distillation strategy based on Feature Alignment Module(FAM),which further enhances the studentmodel’s feature representation ability,making its feature distribution closer to that of the teacher model,and thus demonstrating superior localization and classification capabilities in object detection tasks.Experimental results demonstrate that our proposedmethodology outperforms conventional distillation techniques in terms of object detecting performance. 展开更多
关键词 Deep learning model compression knowledge distillation object detection
暂未订购 下载PDF
Salient Object Detection from Multi-spectral Remote Sensing Images with Deep Residual Network 认领 引用 被引量：18
4
作者 Yuchao DAI Jing ZHANG +2 位作者 Mingyi HE Fatih PORIKLI Bowen LIU 《Journal of Geodesy and Geoinformation Science》 2019年第2期101-110,共10页
alient object detection aims at identifying the visually interesting object regions that are consistent with human perception. Multispectral remote sensing images provide rich radiometric information in revealing the ... alient object detection aims at identifying the visually interesting object regions that are consistent with human perception. Multispectral remote sensing images provide rich radiometric information in revealing the physical properties of the observed objects, which leads to great potential to perform salient object detection for remote sensing images. Conventional salient object detection methods often employ handcrafted features to predict saliency by evaluating the pixel-wise or superpixel-wise contrast. With the recent use of deep learning framework, in particular, fully convolutional neural networks, there has been profound progress in visual saliency detection. However, this success has not been extended to multispectral remote sensing images, and existing multispectral salient object detection methods are still mainly based on handcrafted features, essentially due to the difficulties in image acquisition and labeling. In this paper, we propose a novel deep residual network based on a top-down model, which is trained in an end-to-end manner to tackle the above issues in multispectral salient object detection. Our model effectively exploits the saliency cues at different levels of the deep residual network. To overcome the limited availability of remote sensing images in training of our deep residual network, we also introduce a new spectral image reconstruction model that can generate multispectral images from RGB images. Our extensive experimental results using both multispectral and RGB salient object detection datasets demonstrate a significant performance improvement of more than 10% improvement compared with the state-of-the-art methods. 展开更多
关键词 deep residual network salient object detection top-down model remote sensing image processing
暂未订购 下载PDF
Segmentation Based Real Time Anomaly Detection and Tracking Model for Pedestrian Walkways 认领 引用 被引量：1
5
作者 B.Sophia D.Chitra 《Intelligent Automation & Soft Computing》 SCIE 2023年第6期2491-2504,共14页
Presently,video surveillance is commonly employed to ensure security in public places such as traffic signals,malls,railway stations,etc.A major chal-lenge in video surveillance is the identification of anomalies that... Presently,video surveillance is commonly employed to ensure security in public places such as traffic signals,malls,railway stations,etc.A major chal-lenge in video surveillance is the identification of anomalies that exist in it such as crimes,thefts,and so on.Besides,the anomaly detection in pedestrian walkways has gained significant attention among the computer vision communities to enhance pedestrian safety.The recent advances of Deep Learning(DL)models have received considerable attention in different processes such as object detec-tion,image classification,etc.In this aspect,this article designs a new Panoptic Feature Pyramid Network based Anomaly Detection and Tracking(PFPN-ADT)model for pedestrian walkways.The proposed model majorly aims to the recognition and classification of different anomalies present in the pedestrian walkway like vehicles,skaters,etc.The proposed model involves panoptic seg-mentation model,called Panoptic Feature Pyramid Network(PFPN)is employed for the object recognition process.For object classification,Compact Bat Algo-rithm(CBA)with Stacked Auto Encoder(SAE)is applied for the classification of recognized objects.For ensuring the enhanced results better anomaly detection performance of the PFPN-ADT technique,a comparison study is made using Uni-versity of California San Diego(UCSD)Anomaly data and other benchmark data-sets(such as Cityscapes,ADE20K,COCO),and the outcomes are compared with the Mask Recurrent Convolutional Neural Network(RCNN)and Faster Convolu-tional Neural Network(CNN)models.The simulation outcome demonstrated the enhanced performance of the PFPN-ADT technique over the other methods. 展开更多
关键词 Panoptic segmentation object detection deep learning tracking model anomaly detection pedestrian walkway
暂未订购 下载PDF
Deep Transfer Learning Approach for Robust Hand Detection 认领 引用
6
作者 Stevica Cvetkovic Nemanja Savic Ivan Ciric 《Intelligent Automation & Soft Computing》 SCIE 2023年第4期967-979,共13页
Human hand detection in uncontrolled environments is a challenging visual recognition task due to numerous variations of hand poses and background image clutter.To achieve highly accurate results as well as provide re... Human hand detection in uncontrolled environments is a challenging visual recognition task due to numerous variations of hand poses and background image clutter.To achieve highly accurate results as well as provide real-time execution,we proposed a deep transfer learning approach over the state-of-the-art deep learning object detector.Our method,denoted as YOLOHANDS,is built on top of the You Only Look Once(YOLO)deep learning architecture,which is modified to adapt to the single class hand detection task.The model transfer is performed by modifying the higher convolutional layers including the last fully connected layer,while initializing lower non-modified layers with the generic pre-trained weights.To address robustness issues,we introduced a comprehensive augmentation procedure over the training image dataset,specifically adapted for the hand detection problem.Experimental evaluation of the proposed method,which is performed on a challenging public dataset,has demonstrated highly accurate results,comparable to the state-of-the-art methods. 展开更多
关键词 Deep learning model object detection hand detection transfer learning data augmentation
暂未订购 下载PDF
基于深度学习目标检测-显微拉曼光谱法的微塑料自动检测 认领 引用
7
作者 梁维新 宋玉梅 +2 位作者 廖振伟 雷永乾 郭鹏然 《分析测试学报》 CAS CSCD 北大核心 2026年第7期1581-1588,共8页
开发了一种基于深度学习目标检测—显微拉曼光谱的微塑料自动检测方法。该方法将微塑料截留于金属滤膜上,通过目标检测模型识别捕捉疑似微塑料,经坐标转换后自动进行拉曼定性分析。结果表明:实验训练的基于YOLOv8n的微塑料目标检测模型... 开发了一种基于深度学习目标检测—显微拉曼光谱的微塑料自动检测方法。该方法将微塑料截留于金属滤膜上,通过目标检测模型识别捕捉疑似微塑料,经坐标转换后自动进行拉曼定性分析。结果表明:实验训练的基于YOLOv8n的微塑料目标检测模型的精确率、召回率、mAP@0.5均在90%以上,mAP@0.5∶0.95达74%,具有良好目标定位和识别能力;建立的基于优化权重命中质量指数(HQI)算法的微塑料拉曼图谱识别模型对7种微塑料的分类准确率为100%;通过微塑料目标检测模型和拉曼图谱识别模型的联用可实现微塑料自动检测,该方法的尺寸检出限为100μm,对实际水体中微塑料的加标回收率大于90%,相对标准偏差(RSD)在10%以内,显示了良好的准确度和精密度。该方法可应用于水中微塑料的快速、自动、准确检测。 展开更多
关键词 微塑料自动检测 YOLOv8 深度学习目标检测模型 拉曼图谱识别模型
暂未订购 下载PDF
基于DRN-YOLO融合模型的奶牛乳头检测方法研究 认领 引用
8
作者 田富洋 张立印 +4 位作者 黄悦华 刘继峰 冯玉璞 次仁多吉 于镇伟 《南京农业大学学报》 CAS CSCD 北大核心 2026年第3期697-707,共11页
[目的]在自动化挤奶系统中,奶牛乳头精确识别极为关键。由于挤奶厅环境复杂,奶牛乳头检测存在精度差、效率低等问题,这将影响挤奶操作准确性和工作效率,降低养殖效益。本文旨在提出一种用于奶牛乳头检测的改进DRN-YOLO模型。[方法]该模... [目的]在自动化挤奶系统中,奶牛乳头精确识别极为关键。由于挤奶厅环境复杂,奶牛乳头检测存在精度差、效率低等问题,这将影响挤奶操作准确性和工作效率,降低养殖效益。本文旨在提出一种用于奶牛乳头检测的改进DRN-YOLO模型。[方法]该模型采用DRNet模块优化YOLOv8骨干网络,提升特征提取能力,并且在路径增强网络中增加检测特征尺度和空间金字塔池化(spatial yramid pooling,SPP)结构提升特征图特征提取的方法,使模型可从更多维度分析、提取图像特征,增强奶牛乳头识别效果,优化参数配置。为测试DRN-YOLO性能,用600张奶牛乳头图像构成测试集进行测试。[结果]与常用目标检测模型(YOLOv9模型和Faster RCNN模型)进行比较,DRN-YOLO模型的精确率为99.07%,召回率为98.88%,平均精度均值(mean average precision,mAP)为98.41%,F 1得分98.97%。相较于YOLOv8,DRN-YOLO模型各种检测指标数值均提高2%左右;相较于Faster RCNN,DRN-YOLO模型检测时间缩短了542 ms,且检测精度提高1%。[结论]改进的DRN-YOLO模型能够实现对奶牛乳头的准确检测。 展开更多
关键词 奶牛乳头检测 深度学习 YOLOv8 改进的DRN-YOLO模型 目标检测
暂未订购 下载PDF
基于高分辨率特征引导学习的小目标检测方法 认领 引用
9
作者 涂晓光 李卓骏 +2 位作者 刘建华 杨明 魏麟 《电子测量技术》 北大核心 2026年第9期121-131,共11页
针对小目标检测中由于特征信息不足、特征图分辨率较低等问题导致检测精度和鲁棒性较差的技术瓶颈,提出一种基于高分辨率特征引导学习的小目标检测方法。该方法采用基于上下文聚合风车卷积的改进YOLOv11算法结构,构建了一个由高分辨率... 针对小目标检测中由于特征信息不足、特征图分辨率较低等问题导致检测精度和鲁棒性较差的技术瓶颈,提出一种基于高分辨率特征引导学习的小目标检测方法。该方法采用基于上下文聚合风车卷积的改进YOLOv11算法结构,构建了一个由高分辨率检测分支与低分辨率检测分支组成的双通道检测框架。训练过程中,通过高分辨率检测网络对低分辨率检测网络进行引导学习,缓解低分辨率图像中小目标语义信息不足的问题。在双通道网络的中间层引入多损失函数加权的多尺度特征对齐损失函数,增强了小目标特征的表达能力。实验结果表明,本文的方法在PASCAL VOC 2012小目标数据集上的mAP50相较于原始的YOLOv11提高了4.11%,mAP50:95提高了4.07%;在Visdrone2019数据集上mAP50相较于原始的YOLOv11提高2.24%,mAP50:95提高了1.50%。 展开更多
关键词 小目标检测 深度学习 双通道网络模型 多尺度特征对齐损失
暂未订购 下载PDF
基于大核卷积和Mamba的遥感目标检测 认领 引用
10
作者 严灵毓 何子健 +3 位作者 高榕 叶志伟 王苑 韩洪木 《计算机工程与设计》 北大核心 2026年第3期778-785,共8页
针对遥感图像目标尺度变化大、背景信息复杂等问题,提出了一种目标检测主干网络(LK-MambaNet)。通过设计一种基于多维空间动态选择性注意机制的大核动态卷积(LK-DConv),以动态调整多尺度特征的感受野,有效捕捉局部上下文信息。提出了多... 针对遥感图像目标尺度变化大、背景信息复杂等问题,提出了一种目标检测主干网络(LK-MambaNet)。通过设计一种基于多维空间动态选择性注意机制的大核动态卷积(LK-DConv),以动态调整多尺度特征的感受野,有效捕捉局部上下文信息。提出了多核空间Mamba块(MKSpa-Mamba),采用Inception策略来降低计算成本并减轻多个扫描路线中的功能冗余,以便高效地识别检测目标的全局上下文信息。在DOTA1.0数据集和HRCS2016数据集上的实验结果表明所提方法的mAP分别达到了78.39%和90.45%,有效提高了遥感图像的目标检测效果。 展开更多
关键词 遥感图像 目标检测 深度学习 上下文信息增强 状态空间模型 大核卷积 注意力机制
暂未订购 下载PDF
基于深度学习的单目视觉目标检测综述 认领 引用 被引量：7
11
作者 刘桂超 王怀光 +1 位作者 任国全 吴定海 《计算机工程与应用》 EI CSCD 北大核心 2026年第1期1-19,共19页
单目视觉目标检测凭借其低硬件成本与高实时性的显著优势,已逐渐成为自动驾驶、智能监控等领域的核心技术,发挥着不可或缺的作用。然而,几何歧义性、遮挡鲁棒性及小目标检测精度等问题仍是当前研究的瓶颈。主要从算法层面出发,从算法演... 单目视觉目标检测凭借其低硬件成本与高实时性的显著优势,已逐渐成为自动驾驶、智能监控等领域的核心技术,发挥着不可或缺的作用。然而,几何歧义性、遮挡鲁棒性及小目标检测精度等问题仍是当前研究的瓶颈。主要从算法层面出发,从算法演进、性能评估与轻量化设计三个维度系统性地量化分析单目视觉目标检测技术的进展:将单阶段检测算法解构为经典卷积架构与Transformer架构进行剖析,总结其结构创新与性能瓶颈,揭示精度-速度-复杂度的权衡规律;从网络设计-算法优化-模型压缩三个层面探讨轻量化技术与目标检测算法的融合策略,并整合目标检测用于训练和评估的三种主要官方数据集中的多维度评价指标,搭建基于MS-COCO-2017数据集的跨模型对比框架,对不同架构的单阶段检测器进行横向性能对比;展望多模态融合、轻量化改进等前沿方向,旨在为单目视觉目标检测算法的工程化应用与理论突破提供系统性参考。 展开更多
关键词 单阶段目标检测 深度学习 轻量化模型 经典卷积架构 Transformer架构
暂未订购 下载PDF
融合分割与分类模型的遥感图像目标检测方法 认领 引用
12
作者 童恒建 陈昕浩 赵济 《软件导刊》 2026年第3期188-194,共7页
为应对深度学习在遥感图像处理中面临的诸多挑战,如标注过程耗时且复杂、数据多样性丰富、训练模型需要大量计算资源以及容易过拟合等问题,提出一种融合Segment Anything Model分割模型和Mobile-Friendly Vision Transformer分类模型的... 为应对深度学习在遥感图像处理中面临的诸多挑战,如标注过程耗时且复杂、数据多样性丰富、训练模型需要大量计算资源以及容易过拟合等问题,提出一种融合Segment Anything Model分割模型和Mobile-Friendly Vision Transformer分类模型的遥感图像目标检测方法。实验结果表明,相较于YOLO-V2、Faster R-CNN等模型,该模型的参数量为28.3 M,平均训练时间为32.5 s,计算复杂度为10.7 GFLOPs,在数据使用效率、训练时间和分类准确率方面具有优势。 展开更多
关键词 遥感图像 深度学习 分割模型 分类模型 目标检测
暂未订购 下载PDF
Fruits and Vegetables Freshness Categorization Using Deep Learning 认领 引用 被引量：6
13
作者 Labiba Gillani Fahad Syed Fahad Tahir +3 位作者 Usama Rasheed Hafsa Saqib Mehdi Hassan Hani Alquhayz 《Computers, Materials & Continua》 SCIE EI 2022年第6期5083-5098,共16页
The nutritional value of perishable food items,such as fruits and vegetables,depends on their freshness levels.The existing approaches solve a binary class problem by classifying a known fruit\vegetable class into fre... The nutritional value of perishable food items,such as fruits and vegetables,depends on their freshness levels.The existing approaches solve a binary class problem by classifying a known fruit\vegetable class into fresh or rotten only.We propose an automated fruits and vegetables categorization approach that first recognizes the class of object in an image and then categorizes that fruit or vegetable into one of the three categories:purefresh,medium-fresh,and rotten.We gathered a dataset comprising of 60K images of 11 fruits and vegetables,each is further divided into three categories of freshness,using hand-held cameras.The recognition and categorization of fruits and vegetables are performed through two deep learning models:Visual Geometry Group(VGG-16)and You Only Look Once(YOLO),and their results are compared.VGG-16 classifies fruits and vegetables and categorizes their freshness,while YOLO also localizes them within the image.Furthermore,we have developed an android based application that takes the image of the fruit or vegetable as input and returns its class label and its freshness degree.A comprehensive experimental evaluation of proposed approach demonstrates that the proposed approach can achieve a high accuracy and F1score on gathered FruitVeg Freshness dataset.The dataset is publicly available for further evaluation by the research community. 展开更多
关键词 Fruits and vegetables classification degree of freshness deep learning object detection model VGG-16 YOLO-v5
暂未订购 下载PDF
级联学习的雾下遥感影像目标检测 认领 引用
14
作者 万宇 李杰 +4 位作者 郑莉 林镠鹏 袁强强 李慧芳 杨依 《遥感学报》 EI CAS CSCD 北大核心 2026年第2期347-357,共11页
雾天条件下,大气散射作用会减弱图像中的光照强度,导致遥感图像对比度下降,影响目标检测模型的性能。现有研究通过在有雾数据上训练模型或图像去雾预处理两种策略来应对这一问题,但数据在去雾处理会导致特征丢失,很难保证其与目标检测... 雾天条件下,大气散射作用会减弱图像中的光照强度,导致遥感图像对比度下降,影响目标检测模型的性能。现有研究通过在有雾数据上训练模型或图像去雾预处理两种策略来应对这一问题,但数据在去雾处理会导致特征丢失,很难保证其与目标检测任务之间一直存在正相关性,即去雾结果有益于目标检测任务。为此,本文提出了级联学习的雾下目标检测方法CL-FODM(Cascade Learning Foggy Object Detection Method),建立了结合CNN和Transformer的轻量化去雾子网络,能获取更清晰的去雾特征,为下游目标检测提供更显著的语义信息。构建了特征感知引导下的多任务损失函数,在特征层面上更精准地挖掘可区分的目标语义特征,实现去雾与目标检测的协同优化,解决上下游任务间的语义不一致性问题。实验结果表明,本文提出的CL-FODM在评价指标与视觉检测效果上均优于原始模型与级联式模型。 展开更多
关键词 遥感影像 目标检测 去雾模型 深度学习 级联学习
暂未订购 下载PDF
基于改进YOLOv8的巨峰葡萄检测方法研究 认领 引用
15
作者 赵鑫 熊海峰 刘华伟 《中国农机化学报》 北大核心 2026年第1期67-72,共6页
巨峰葡萄果实在自然环境中存在多样的形态、复杂的背景和光照变化,传统目标检测方法难以满足实际需求。针对这一问题,提出一种基于改进YOLOv8模型的巨峰葡萄目标检测方法,通过引入SPD—Conv、SPPF—LSAK和CloFormer模块对模型结构进行优... 巨峰葡萄果实在自然环境中存在多样的形态、复杂的背景和光照变化,传统目标检测方法难以满足实际需求。针对这一问题,提出一种基于改进YOLOv8模型的巨峰葡萄目标检测方法,通过引入SPD—Conv、SPPF—LSAK和CloFormer模块对模型结构进行优化,以提高模型对复杂场景中目标特征的表征能力。试验结果表明,改进后的模型在精确率(P)、召回率(R)和平均精度均值(mAP)指标上均显著优于原始YOLOv8模型,mAP由86.89%提升至92.24%,精确率由87.34%提升至90.77%,召回率由82.47%提升至84.68%。与现有的YOLOv5、YOLOv6、YOLOv8及YOLOv10模型相比,改进后的模型在相同试验条件下检测精度提高2.14~6.60个百分点,同时在检测速度(FPS)方面表现出更高的实时性,达到87帧/s。在测试集图像的对比分析中,改进的YOLOv8模型在检测精度、细节捕捉能力上优于原始模型,显著提升模型在复杂背景下的检测效果。为精准农业中的巨峰葡萄果实检测提供一种高效、准确的解决方案,为果实目标检测任务在智能农业系统中的应用奠定坚实基础。未来,该方法可进一步应用于其他果实检测任务,并通过结合多模态数据进一步提升复杂环境下的检测性能。 展开更多
关键词 巨峰葡萄 YOLOv8 深度学习 目标检测 模型改进
暂未订购 下载PDF
基于扩散模型的无人机遥感目标检测物理对抗攻击方法研究 认领 引用
16
作者 夏筱彦 张宇 +1 位作者 胡锡坤 钟平 《空天防御》 CSCD 2026年第1期52-62,共11页
深度神经网络虽然在各类视觉任务中取得了显著进展,但易受到对抗样本的攻击;相较于数字域对抗攻击,物理域对抗攻击更具挑战;针对无人机遥感图像目标检测的对抗攻击需在多视角、距离变化及光照差异等复杂条件下保持稳定的有效性,攻击方... 深度神经网络虽然在各类视觉任务中取得了显著进展,但易受到对抗样本的攻击;相较于数字域对抗攻击,物理域对抗攻击更具挑战;针对无人机遥感图像目标检测的对抗攻击需在多视角、距离变化及光照差异等复杂条件下保持稳定的有效性,攻击方法的优化过程需充分考虑真实物理成像环境的动态性与多样性。现有物理域对抗攻击方法虽能降低目标检测模型性能,但这些方法通常仅依赖像素级的局部纹理优化,导致生成的对抗纹理模式单一、适应性有限。为解决上述问题,本文提出一种基于扩散模型的物理对抗攻击方法。该方法以预训练扩散模型作为生成器,结合图像与文本先验特征引导对抗纹理的生成,基于全覆盖的物理对抗攻击框架实现无人机遥感目标检测任务下的车辆伪装。实验结果表明:本文方法在多个目标检测模型上均表现出较高的攻击成功率与良好的跨模型迁移能力,且在纹理多样性和稳定性方面均优于对比方法。 展开更多
关键词 无人机遥感图像 深度神经网络 物理对抗攻击 扩散模型 目标检测
暂未订购 下载PDF
基于Dual-YOLOv7模型的在轨卫星遥感图像船舶检测 认领 引用
17
作者 肖飞 孙震笙 金俊杰 《海洋技术学报》 2026年第2期20-29,共10页
在海洋监测领域,对遥感影像中的船舶进行实时、精准的目标检测是确保海上交通安全和海洋环境监管的重要任务。本文提出了一种基于双YOLOv7(Dual You Only Look Once v7,Dual-YOLOv7)模型的船舶检测方法,旨在提高遥感影像中船舶检测的效... 在海洋监测领域,对遥感影像中的船舶进行实时、精准的目标检测是确保海上交通安全和海洋环境监管的重要任务。本文提出了一种基于双YOLOv7(Dual You Only Look Once v7,Dual-YOLOv7)模型的船舶检测方法,旨在提高遥感影像中船舶检测的效率和准确性。引入交叉注意力融合(Criss-Cross Attention Fusion,CC Attention-Fusion)模块,并对随机融合(Shuffle-Fusion)模块进行改进,以有效融合红外图像与可见光图像的特征,从而增强模型对不同光照和天气条件下的适应能力。同时,引入深度可分离卷积模型,构造深度可分离空间金字塔池化快速(Depthwise Separable Spatial Pyramid Pooling Fast,D-SimSPPF)模块,在保证检测精度的同时,显著提升了检测速度。此外,构造了CIoU-C(Complete Intersection over Union-Complement)损失函数,使得目标框尺寸的选定更加贴近真实船舶的尺寸,进一步提高了检测的准确性。为了验证模型的实际应用能力,本文将Dual-YOLOv7模型部署在AGX Orin嵌入式平台上,并在多模态船舶MMShip数据集上进行了训练和测试。实验结果表明:与现有的掩码-区域卷积神经网络(Mask Region-Convolutional Neural Networks,Mask R-CNN)、YOLOv8分割(YOLOv8-seg)模型、YOLOv5分割(YOLOv5-seg)模型、YOLOv7分割(YOLOv7-seg)模型和实时检测变换器(Real-time Detection Transformer,RT-DETR)相比,Dual-YOLOv7模型的平均精度(mean Average Precision 50%,mAP50%)指标达到了91.6%,展现出最高的检测精度。同时,该模型的总计算量仅为1176亿次浮点运算,即117.6 GFLOPs(Giga Floating-Point Operations Per Second),算力消耗最低,表明其在实际应用中具有显著的效率优势。结果表明:Dual-YOLOv7模型在船舶检测任务中具有良好的应用前景,能够为海洋监测和管理提供有力的技术支持。 展开更多
关键词 目标检测 船舶识别 遥感影像 深度学习 Dual-YOLOv7模型
暂未订购 下载PDF
基于改进YOLOv11的海洋内波目标检测算法 认领 引用
18
作者 周祁 宋新新 张红华 《海洋测绘》 CSCD 北大核心 2026年第3期30-34,50,共5页
针对复杂海洋环境下内波特征提取不充分与特征融合缺乏自适应性的问题,提出一种基于改进YOLOv11模型的海洋内波目标检测算法MSBA-YOLO。该算法设计了层次化尺度特征聚合模块,有效提取内波的空间与纹理特征;其次构建了双重注意力融合网络... 针对复杂海洋环境下内波特征提取不充分与特征融合缺乏自适应性的问题,提出一种基于改进YOLOv11模型的海洋内波目标检测算法MSBA-YOLO。该算法设计了层次化尺度特征聚合模块,有效提取内波的空间与纹理特征;其次构建了双重注意力融合网络,实现不同尺度特征的自适应调节与加权融合;最后引入统计令牌注意力模块在降低计算复杂度的同时精确定位内波目标。基于Sentinel-1 SAR影像数据集的实验验证表明,MSBA-YOLO的mAP50达到82.4%,较基线模型提升4.3%,参数量仅2.7 M。研究结论表明,该算法在保持极低计算开销与高实时性的同时,显著提升了复杂海况下内波特征的定位能力,为海洋工程安全预警与内波动态监测提供了高效、精准的技术支撑。 展开更多
关键词 内波检测 深度学习 目标检测 YOLOv11模型 注意力机制
暂未订购 下载PDF
基于孪生网络模型的织物疵点检测方法 认领 引用
19
作者 党慧 管声启 +1 位作者 杨振 李杭 《棉纺织技术》 CAS 2026年第4期60-66,共7页
为了解决工业现场织物疵点检测效率低的问题,提出一种基于孪生网络模型的织物疵点检测方法。通过分析孪生网络相似性检测机制,构建了基于孪生网络的相似性检测模型,该模型包括特征提取模块、相似性度量模块、疵点分类模块。首先,引入Inc... 为了解决工业现场织物疵点检测效率低的问题,提出一种基于孪生网络模型的织物疵点检测方法。通过分析孪生网络相似性检测机制,构建了基于孪生网络的相似性检测模型,该模型包括特征提取模块、相似性度量模块、疵点分类模块。首先,引入Inception结构构建特征提取模块,对样本特征进行多尺度提取;其次,在相似性度量模块中,将样本的抽象特征转化为差异计算,利用孪生网络对差异的灵敏度,实现织物图像的快速识别,完成判断织物是否有疵点的第一阶段判别任务;最后,在疵点分类模块中,将疵点图像输入YOLOv4网络,实现准确的疵点分类,完成第二阶段的分类任务。利用公共数据集进行的试验结果表明:该研究方法能有效地检测织物疵点,mAP值达到87.54%,检测速度达到54.8帧/s,实现了织物疵点检测精度与速度的良好平衡,能够满足纺织企业实际工业场景中生产检测的需求,为纺织行业提供了一种全新的疵点检测解决方案。 展开更多
关键词 织物疵点 目标检测 孪生网络 多尺度卷积 YOLO模型 深度学习
暂未订购 下载PDF
YOLO-SEG:一种用于水稻病害实时检测的高性能轻量化模型 认领 引用
20
作者 王智 冯依虎 《西昌学院学报（自然科学版）》 2026年第1期103-114,共12页
为实现复杂田间环境下水稻病害的快速、精准识别,提出一种基于YOLOv11n改进的高性能轻量化模型YOLO-SEG。该模型通过协同优化,在网络中集成了空间到深度卷积(spatial to depth convolution,SPD⁃Conv)无损下采样模块以增强微小病斑特征提... 为实现复杂田间环境下水稻病害的快速、精准识别,提出一种基于YOLOv11n改进的高性能轻量化模型YOLO-SEG。该模型通过协同优化,在网络中集成了空间到深度卷积(spatial to depth convolution,SPD⁃Conv)无损下采样模块以增强微小病斑特征提取,引入高效多尺度注意力(efficient multi-scale attention)模块以聚焦关键特征,并采用轻量级分组混洗卷积(group-shuffle convolution,GSConv)以平衡精度与效率。在包含6种常见病害的自建数据集上,YOLO-SEG模型的平均精度均值(mAP@0.5)达到了95.6%,较基线模型提升了4.4%。同时,模型参数量仅为2.7 MB,推理速度高达120 FPS。以上表明,YOLO-SEG模型在检测精度、模型复杂度和推理速度之间取得了平衡,为智能农业领域的病害实时检测提供了高效、可靠的技术支持。 展开更多
关键词 水稻病害检测 深度学习 目标检测 YOLOv11 轻量化模型
暂未订购 下载PDF
已选0条
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 2 … 8 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈