- 冯小丹;云利军;高海峰;孟凤菊;
概述机器视觉注意力机制的研究背景、发展中的显著工作及原理,综述软注意力机制中空间注意力机制、通道注意力机制、混合注意力机制和硬注意力机制,讨论Transformer的模型,并在分析各类改进模型的思路及特点的同时重点梳理了近3年的研究动态,最后探讨了注意力机制的在超参数优化、胶囊网络、神经架构搜索、多模态方面的潜在研究方向的应用展望.
2025年04期 v.34;No.152 453-463页 [查看摘要][在线阅读][下载 1340K] [下载次数:1352 ] |[网刊下载次数:0 ] |[引用频次:2 ] |[阅读次数:0 ] - 汪琦;云利军;潘继军;陈载清;
针对无人机影像小目标检测中存在的性能低、漏检与误检问题,提出了一种基于改进的YOLOv8小目标检测模型:YOLOv8-CAS.通过构造轻量化C2f_CAS特征提取模块,模型对小目标细节的捕捉能力得到增强,同时减少了计算复杂度.引入SimAM注意力机制,通过其自适应特征选择能力增强模型对关键区域的关注,从而提升小目标检测的精度.引入DyHead检测头,通过其动态路由机制有效融合多尺度特征,提升模型对小目标的定位精度.最后加入P2小目标检测层,通过增强浅层高分辨率特征图的利用,进一步优化多尺度特征融合.改进模型在VisDrone数据集上相比原始模型的精确率、召回率、mAP@50、mAP@50∶95分别提升了10.1、8.1、10.2和6.7个百分点.实验结果表明,YOLOv8-CAS模型在小目标检测任务中表现出显著的性能提升,适用于复杂场景下的无人机目标检测应用.
2025年04期 v.34;No.152 464-472页 [查看摘要][在线阅读][下载 1925K] [下载次数:140 ] |[网刊下载次数:0 ] |[引用频次:0 ] |[阅读次数:0 ] - 杨业辉;范菁;钟声;
针对茶叶病害在复杂自然环境下识别精度受限的问题,提出了一种融合SE注意力机制的改进YOLOv5目标检测方法YOLOv5-SE.该方法在YOLOv5网络主干中引入SE注意力模块,增强特征通道的自适应加权能力,抑制冗余信息对检测精度的影响.同时,引入小目标检测头,提升对小尺度病害的检测效果,增强模型在高分辨率特征图上的检测能力.在包含8种茶叶病害及健康叶片的数据集上进行实验验证,结果表明,YOLOv5-SE的检测精度达到93.2%,召回率达到95.0%,较改进前模型精度提高4.5个百分点,召回率提高3.8个百分点.进一步的消融实验表明,SE注意力机制能够在优化特征提取能力的同时,有效提升模型对复杂背景下茶叶病害的检测鲁棒性,减少误检与漏检的发生.
2025年04期 v.34;No.152 473-479页 [查看摘要][在线阅读][下载 1734K] [下载次数:835 ] |[网刊下载次数:0 ] |[引用频次:1 ] |[阅读次数:0 ] - 郑哲明;孔玲玲;何印;
随着风力发电机大规模接入电网,风速的间歇性、波动性等特点导致风电功率的输出极不稳定.针对超短期风电功率预测精度的问题提出了一种基于简单移动平均法数据去噪(simple moving average, SMA)和四分位法(interquartile range, IQR)清洗检测异常数据的时间卷积网络(temporal convolutional network,TCN)、门控循环单元(gated recurrent unit, GRU)和注意力机制(attention mechanism,AM)超短期风电功率预测模型.实验结果表明,模型的平均绝对值误差、平均绝对值百分比误差、决定系数比其他单一模型和组合模型具有更高的精确度,验证了该模型具备更高效的超短期风电功率预测能力.
2025年04期 v.34;No.152 480-486+493页 [查看摘要][在线阅读][下载 1589K] [下载次数:591 ] |[网刊下载次数:0 ] |[引用频次:1 ] |[阅读次数:0 ]