检索结果

Select

1. 基于改进Faster RCNN的节肢动物目标检测方法

郭子豪, 董乐乐, 曲志坚

《计算机应用》唯一官方网站 2023, 43 (1): 88-97. DOI: 10.11772/j.issn.1001-9081.2021101838

摘要（316）

HTML （13）

PDF （4771KB）（174）

自然生态环境下的节肢动物目标检测存在目标背景复杂、尺度差异大以及目标密集等特点，导致目标检测精度和准确率不高。为此，提出一种基于改进Faster RCNN模型的节肢动物目标检测方法AROD RCNN。首先，设计一种有监督的并行空间与通道注意力（SPSCAT）机制，以提高复杂背景环境下节肢动物目标检测的准确率；然后，引入第二代可变形卷积重塑ResNet50中C1~C5块卷积层，并使用特征金字塔网络（FPN）对ResNet50中C2~C6块进行特征融合以解决目标尺度差异较大影响检测精度的问题；最后，通过密集局部回归（DLR）方法对回归阶段进行改进，从而提高模型回归的准确性。实验结果表明，该方法在ArTaxOr数据集上的各类别平均精度（mAP）达到了0.717，较原始Faster RCNN模型提高了0.453，而召回率达到了0.787。可见该方法能够有效解决目标遮挡和复杂背景等问题，在节肢动物密集目标与小目标检测中表现良好。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于卷积神经网络的偏色光下植物图像分割方法

张文彬, 朱敏, 张宁, 董乐

计算机应用 2019, 39 (12): 3665-3672. DOI: 10.11772/j.issn.1001-9081.2019040637

摘要（478）

PDF （1365KB）（393）

为了解决传统图像分割算法在植物工厂中偏色光植物图像上分割精确度不高、泛化性能差的问题，提出了一种基于卷积神经网络，并结合深度学习技术，对人工偏色光下植物图像进行精确分割的方法。采用该方法，最终在偏色光植物图像原始测试集上达到了91.89%的分割精确度，远超全卷积网络、聚类、阈值、区域生长等分割算法。此外，在不同色光之下的植物图片上进行测试，该方法也较上述其他分割算法有着更好的分割效果和泛化性能。实验结果表明，所提方法能够显著提高偏色光下植物图像分割的精确度，可以应用于实际的植物工厂工程项目当中。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于Boosting算法的文本自动分类器设计

董乐红耿国华周明全

计算机应用

摘要（1746）

PDF （506KB）（1137）

Boosting算法是目前流行的一种机器学习算法。采用一种改进的Boosting算法Adaboost.MHKR作为分类算法，设计了一个文本自动分类器，并给出了评估方法和结果。评价表明，该分类器有很好的分类精度。