【摘 要】
：
针对山火烟雾的检测存在由于监控范围广、发生频率不固定等造成的高成本问题,在边缘计算思维的启发下,提出了一个基于YOLOv5改进的适用于前端布设的轻量级识别网络.该方法针对YOLOv5模型过大的缺陷,通过修改网络结构,将融合了通道注意力机制CoordAttention的Ghostbottleneck模块与YOLOv5结合,提出一种改进型卷积神经网络CG-yolo识别网络.实验结果表明,CG-yolo相对于YOLOv5s算法速度提高了9.5％,查全率提升了1.8％,查准率仅损失1.7％,部署在NVIDIA的J
【机 构】
：
南京工程学院人工智能产业技术研究院 南京 211167
论文部分内容阅读
针对山火烟雾的检测存在由于监控范围广、发生频率不固定等造成的高成本问题,在边缘计算思维的启发下,提出了一个基于YOLOv5改进的适用于前端布设的轻量级识别网络.该方法针对YOLOv5模型过大的缺陷,通过修改网络结构,将融合了通道注意力机制CoordAttention的Ghostbottleneck模块与YOLOv5结合,提出一种改进型卷积神经网络CG-yolo识别网络.实验结果表明,CG-yolo相对于YOLOv5s算法速度提高了9.5％,查全率提升了1.8％,查准率仅损失1.7％,部署在NVIDIA的Jetson Nano边缘计算平台上时运行速度可以达到13fps,更好地满足了隐患监测的工程实际需求.
其他文献
暗通道先验去雾算法处理图像易出现局部失真问题,针对这一现象,提出一种单幅户外图像去雾算法.首先,利用四叉树分解的方法得到准确的大气光估计值;然后,结合暗通道图像的直方图分布特征,利用最大化类间方差策略自适应的估计暗通道图像分割阈值,并以此为先验知识优化透射率;最后,使用Gamma矫正提升图像整体对比度.实验表明,该算法能够有效地避免暗通道先验算法在天空区域失真的问题,对比其他算法,恢复图像视觉效果良好,客观评价指标均有所提升.
现阶段,医院作为一个主要能源消耗者,更需要结合系统预测及优化对策规划来实施合适的能源管理方案.因此,根据江苏省某大型三甲医院的能源数据,设计了一套医院能源管理与预测系统.该系统运用SSM框架构建了能耗数据库实现基础数据的增删改查,并通过调用Mtalab软件使用灰色预测模型进行数据拟合与预测,为医院管理者提供未来趋势参考.
传统基于CSG(构造实体几何)布尔运算的建模和运算过于复杂,使用布尔运算合成一些复杂的几何实体时会增加运算量,并且运算效率低.针对以上问题,提出基于Shader的CSG几何体的实时渲染,建立CSG基元模型,解析布尔表达式后,应用Shader对几何图形进行布尔运算的实时渲染,克服了传统基于CSG布尔运算下稳定性不足的问题,并加快了处理速度,提高了渲染效率.
随着信息共享时代的发展,海量数据的诞生对推荐系统提出了更高的要求.针对微博的海量数据,提出了一种融合朴素贝叶斯分类和基于用户的协同过滤算法的混合推荐算法.该算法将文本关键字作为特征属性,利用贝叶斯分类法筛选出用户可能感兴趣的数据,缩小推荐结果集;然后采用基于用户的协同过滤算法,通过计算用户相似度,根据最近邻居得到推荐结果列表.实验结果表明,混合推荐算法相比较于单一的推荐算法有着更高的准确率.
针对SIFT算法在图像融合中耗时长,维度高的问题,论文设计了一种基于SURF、FLANN和RANSAC三者结合的拼接方法.首先利用SURF算法鲁棒性强、算法复杂度低的优势来进行特征点的检测,凭借FLANN算法可以调整参数来进行精确度的提升的优点来进行特征点的匹配,并与常见的BF算法匹配进行比较;针对其中错误匹配对的存在,采用RANSAC算法对存在匹配错误的点进行剔除并进行单应矩阵的计算,来找到最好的模型匹配对,降低误差;最终采用加权平均法进行图像的融合.通过实验验证,算法提高了匹配效率,拼接效果良好.
在图像畸变矫正和图像缩放过程中,需要使用插值算法对像素点进行插值.为了更好地保留图像的纹理细节,以及降低算法时间复杂度,论文提出一种基于OTSU的图像插值算法.利用被插值点四邻域像素的方差来划分图像区域,并采用OTSU算法确定阈值,对图像平坦区域采用双线性插值,而图像纹理细节部分采用双三次插值.实验结果表明,该算法很好地保留了图像细节部分,算法时间复杂度较低,获得的图像质量高,算法具有一定的实用价值.
数据融合是一种利用多种检索系统优势来增强检索结果的技术,当候选成员系统数量过多时,融合结果性能并未随之提升.论文提出了一种基于变色龙层次聚类和序列前向的选择算法(RFS),该方法首先评估所有检索结果列表的相关性进行聚类,之后使用序列向前算法从不同的簇中挑选成员系统组用于数据融合,实验结果表明该算法能有效地筛选出较优的成员系统组,从而显著改善融合性能.
随着计算机视觉和自然语言处理的日益发展,视觉问答也发展为计算机科学领域的一个重要研究方向.视觉问答需要跨模态的理解与推理能力(图像与文本).由于图中节点和边的高度相关性以及图本身的联通性,图在提高视觉问答模型的推理能力上有一定的潜力,因此提出了一种基于图卷积网络的视觉问答方法.首先使用神经网络分别提取图像和文本特征,再用图处理模块将预处理后图像和文本处理为图结构数据,然后实现基于图卷积网络的模型设计,数据训练与答案预测.通过与ReasonNet和BottomUp等模型在VQA2.0数据集上进行对比实验,验
基于光学相关层析成像(OCT),准确分割出视网膜液体区域相关异常和视网膜色素上皮分离对眼底疾病诊断具有重要意义.论文提出一种基于深度学习的分割方法,实现对视网膜色素上皮脱离(PED)、视网膜下液体(SRF)和视网膜水肿区域(REA)等病变类型区域的自动分割.首先使用迁移学习模型InceptionV4对所有病变类型进行分类,然后构建生成对抗网络对每种病变类型区域进行自动分割.实验结果表明,该方法Dice相似性系数约为0.75,灵敏度约为0.95,特异性约为0.96,召回率约0.98,整体优于其他方法.
针对基于深度学习的卷积神经网络需要巨大的数据样本才能得到较好的效果.该研究在加入数据扩充的基础下,基于U-Net网络提出了一种二级卷积神经网络在小样本下的秀丽隐杆线虫端泡自动分割方法,并在第一级网络加入最大包含损失来降低两级网络的内部干扰.解决了应用传统单级网络在小样本下分割效果不好的问题.实验表明,对与秀丽隐杆线虫端泡的分割,Dice Coefficien达到89.5％,Jaccard Index达到了81.5％.