排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
农作物病虫害图像采集困难,且公共数据集较少,因此使用单一网络模型识别准确率不高。常用的数据增强方法只能对图像进行像素空间的变换,不能进行语义转换。对此,研究并提出基于隐式语义数据增强算法的CBAM-Res2Net50模型:该模型使用Res2Net50主干网络,从多尺度学习图像信息,加载预训练模型部分参数,提高模型的收敛速度;在网络残差块中添加混合注意力模块,提取并保留关键特征;训练过程中使用隐式语义数据增强算法对提取的深层网络空间特征进行语义扩充增强,提高模型的泛化能力。改进模型与现有模型在AI Challenger 2018农作物病虫害数据集上的对比实验结果表明:改进模型具有较高的识别率,其分类准确率达88.33%。改进后的模型通过挖掘相似病虫害图像的语义信息,在一定程度上解决了深度网络中由于数据不足导致的过拟合等问题。 相似文献
2.
3.
4.
5.
设备管理是项目法施工中的重要环节,文章就如何在项目法施工中做好设备管理工作,从设备配置和管理体制、设备使用管理、设备配件管理等方面进行阐述。 相似文献
6.
针对自然环境下节肢动物背景复杂、形态万千、遮挡目标和目标尺度多样等因素,导致模型检测效率不高、边界框定位不准确的情况,提出一种基于改进YOLOv4-tiny的节肢动物目标检测模型。首先,结合空间、通道卷积注意力机制(CBAM),抑制背景噪声;其次,引入可变形卷积(DCN)以及改进的加权双向特征金字塔,重塑卷积和特征融合方式进行多尺度预测;最后,在FPN网络中引出一层Feat@3,嵌入空间金字塔池化结构,有效提取节肢动物的各种显著特征,使模型泛化能力更强,将改进后的模型命名为YOLOv4-tiny-ATO。实验结果表明,该模型在大小仅为54.6 Mb的前提下,很好地平衡了检测速度和检测精度,检测精度为0.725,检测速度达到89.6帧·s -1,召回率为0.585,较改进前相比YOLOv4-tiny模型,检测精度提高0.426,模型在模型大小、检测速度上更适用于移动端部署,模型检测精度也能达到应用标准,满足对节肢动物的检测需求。 相似文献
1