【摘 要】
：
为了提高面向遥感图像目标检测的YOLOv3-CS算法的检测速度，本文提出了基于BN层γ参数的自适应稀疏因子调整算法，以γ作为通道的重要性判断依据对YOLOv3-CS进行剪枝，得到YOLOv3-CSP目标检测模型。实验结果表明，本文剪枝方法在mAP损失0.22%的情况下，对YOLOv3-CS的模型大小压缩95.92%，检测速度提高173%；本文提出的YOLOv3-CSP可以应用于检测精度和实时性要求
论文部分内容阅读
为了提高面向遥感图像目标检测的YOLOv3-CS算法的检测速度，本文提出了基于BN层γ参数的自适应稀疏因子调整算法，以γ作为通道的重要性判断依据对YOLOv3-CS进行剪枝，得到YOLOv3-CSP目标检测模型。实验结果表明，本文剪枝方法在mAP损失0.22%的情况下，对YOLOv3-CS的模型大小压缩95.92%，检测速度提高173%；本文提出的YOLOv3-CSP可以应用于检测精度和实时性要求较高的场合。
其他文献
在三维点云数据特征提取过程中，点云数据本身的稀疏性和不规则性会影响输入数据的全局特征表示，且现有方法未考虑不同特征通道的重要性差异，不利于点云特征的全局优化。提出一种基于多分组表征和注意力机制的MANet网络进行三维点云特征描述。首先，为获得完整的点云特征信息，将点云数据输入多分组表征模块获得初始点云特征。然后，为学习点云不同通道的重要性，引入新的通道注意力机制强调对特征表示重要的通道，抑制不重要
工程应用中往往异常样本匮乏，监督学习方法无法应用。针对这一问题，本文提出了一种只需要正常样本就可进行训练的嵌入残差结构的编码-解码网络，具有很好的特征表达和图像重构能力。判别器是一个分类网络，用以鉴别输入是否为真实的正常样本。本文在标准数据集CIFAR-10和工业设备部件数据集上进行了对比实验，实验结果表明本文提出的异常检测模型具有更高的检测精度。
针对现有深度学习图像修复算法修复壁画时，存在特征提取不足、以及细节重构丢失等问题，提出了一种多尺度特征和注意力融合的生成对抗壁画修复深度学习模型。首先，设计多尺度特征金字塔网络提取壁画中不同尺度的特征信息，增强了特征关联性；然后，采用自注意力机制以及特征融合模块构建多尺度特征生成器，以获取丰富的上下文信息，提升网络的修复能力；最后引入最小化对抗损失与均方误差促进判别器的残差反馈，从而结合不同尺度的
针对当前农作物病害分割与识别模型病斑分割精度低、数据集不充分、训练速度过慢等问题，构建了一种基于改进的U-Net网络多尺度番茄叶部病害分割算法。在U-Net网络结构基础上进行改进，减小图像输入尺寸，在编码器中使用非对称Inception多通道卷积替换传统卷积，实现多尺度提取病害特征，提升模型准确度；在解码器中加入注意力模块，关注番茄病害边缘，减小上采样噪声；引入GN加速模型收敛，并将改进U-Net
基于深度学习的图象匹配技术已成为图象检索任务的研究热点，受不同局部区域高相似性描述子影响，误匹配问题降低了现有方法的检索精度，为此提出一种面向图象检索的热力特征描述子构造与匹配方法。首先，通过语义分割网络获得每个卷积层的可视化特征图，针对最后一个卷积层具有更强空间信息和语义信息的特点，利用梯度得分获得特征图中每个通道的权重，通过线性融合的方式，在通道维度上加权求和并归一化，利用双线性插值获得最终的
对于单张红外图像中目标隐身伪装效果的评价，在经典的结构相似度(Structural Similarity， SSIM)算法的基础上，用改进四方向梯度算子提取梯度信息，建立梯度差异函数，替代SSIM算法中的结构相似性函数，提出了一种基于改进梯度相似度(Improve Gradient Similarity， IGSIM)的图像相似度评价算法。根据该算法设计了红外图像均等分块数量确定实验和目标红外隐身
研究不同降水年型施氮量对旱地冬小麦产量、氮素利用及土壤氮素表观平衡的影响，探讨渭北旱塬旱作麦田稳产增效的最佳氮素投入量，为高效施氮提供理论依据。田间定位施氮试验于2017—2020年连续3年在陕西合阳县开展，以长6359为试验材料，设置5个施氮量处理包括0、60、120、180和240 kg hm~(-2) (分别以N0、N60、N120、N180和N240表示)，研究旱地冬小麦产量、氮肥利用率及
微藻油脂是一种绿色可再生的生物柴油原料，培养过程中缺氮能促进其积累，但同时会抑制生物量的增长进而影响油脂产量。生长素作为调控植物细胞活动的一类小分子物质，对微藻的生长有一定促进作用。本研究以普通小球藻为研究对象，在氮缺乏条件下分别添加天然生长素吲哚乙酸（IAA）、人工合成生长素萘乙酸(NAA)及二氯苯氧乙酸（2，4-D），研究了不同生长素投量下该藻的生长特征、油脂含量及成分，并确定了最佳的生长素投
草图具有易于构建且不受语言、专业、年龄限制等优势，基于手绘草图的三维模型检索受到越来越多的关注。然而在三维模型草图检索任务中，三维模型具有复杂性，草图具有类内多样性，同时三维模型与草图之间又具有巨大的域间差异性，这些特点的相互作用严重影响检索的准确性。针对以上问题，提出了一种基于自适应多类中心和半异构网络的三维模型草图检索方法。首先，通过异构网络分别提取草图和三维模型的初始特征：设计了基于自适应多
为了在复杂环境下实现显示系统的快速布置，提高现代战争中野外指挥系统建立的机动性，提出一种基于深度学习的投影图像颜色补偿方法，实现大规模数据在任意复杂颜色平面的可视化显示。该方法利用端到端的深度学习网络，使用一个模型和一个目标函数，规避了深度学习中多模块固有的缺陷；通过增加CompenNet网络层数增加训练模型中图像特征的提取数量；使用改进的损失函数SSIM+Smooth L1计算图像相似度，增强损