基于改进VarifocalNet的高精度目标检测算法

doi:10.11772/j.issn.1001-9081.2022060823

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (7): 2147-2154.DOI: 10.11772/j.issn.1001-9081.2022060823

所属专题：人工智能

基于改进VarifocalNet的高精度目标检测算法

姬张建¹^,²(), 张明¹^,², 王子龙¹^,²

^1.山西大学计算机与信息技术学院，太原 030006
^2.山西大学大数据科学与产业研究院，太原 030006

收稿日期:2022-06-08 修回日期:2022-08-30 接受日期:2022-09-02 发布日期:2022-09-23 出版日期:2023-07-10
通讯作者: 姬张建
作者简介:姬张建（1983—），男，陕西澄城人，副教授，博士，CCF会员，主要研究方向：计算机视觉、机器学习；
张明（1997—），男，山西保德人，硕士研究生，主要研究方向：计算机视觉、目标检测；
王子龙（1997—），男，山西平定人，硕士研究生，主要研究方向：计算机视觉、人体姿态估计。
基金资助:
山西省基础研究计划项目(20210302123443)

High-precision object detection algorithm based on improved VarifocalNet

Zhangjian JI¹^,²(), Ming ZHANG¹^,², Zilong WANG¹^,²

^1.School of Computer and Information Technology，Shanxi University，Taiyuan Shanxi 030006，China
^2.Institute of Big Data Science and Industry，Shanxi University，Taiyuan Shanxi 030006，China

Received:2022-06-08 Revised:2022-08-30 Accepted:2022-09-02 Online:2022-09-23 Published:2023-07-10
Contact: Zhangjian JI
About author:JI Zhangjian， born in 1983， Ph. D.， associate professor. His research interests include computer vision， machine learning.
ZHANG Ming， born in 1997， M. S. candidate. His research interests include computer vision， object detection.
WANG Zilong， born in 1997， M. S. candidate. His research interests include computer vision， human pose estimation.
Supported by:
Fundamental Research Program of Shanxi Province(20210302123443)

摘要/Abstract

摘要：

针对通用目标检测场景下，现有单阶段无锚检测器识别精度低、识别困难等问题，提出一种基于改进变焦网络VFNet（VarifocalNet）的高精度目标检测算法。首先，利用循环层聚合网络（RLANet）替换VFNet用于特征提取的主干网络ResNet，循环残差连接操作将前层特征汇入后续网络层中提升特征的表征能力；其次，通过带有特征对齐卷积操作的特征金字塔网络（FPN）替换原始的特征融合网络，利用可变形卷积操作在FPN上下层融合过程中实现特征对齐并优化特征表征能力；最后，使用聚焦-全局蒸馏（FGD）算法进一步提升小规模算法的检测性能。在COCO （Common Objects in Context） 2017数据集上进行的评估实验结果表明，在相同训练条件下，改进后的以RLANet-50为主干的算法的均值平均精度（mAP）可以达到45.9%，与VFNet算法相比提升了4.3个百分点，而改进后的算法参数量为36.67×10⁶，与VFNet相比仅高了4×10⁶。可见，改进后的VFNet算法在提升检测精度的同时稍微增加了参数量，说明该算法可以满足目标检测的轻量化及高精度需求。

关键词: 循环层聚合网络, 目标检测, 可变形卷积, 特征对齐, 特征金字塔网络, 知识蒸馏

Abstract:

To address the problems of low recognition precision and difficult recognition of the existing one-stage anchor-free detectors in genetic object detection scenarios， a high-precision object detection algorithm based on improved variable focal network VarifocalNet （VFNet） was proposed. Firstly， the ResNet backbone network used for feature extraction in VFNet was replaced by the Recurrent Layer Aggregation Network （RLANet）. The recurrent residual connection operation imported the features of the previous layer into the subsequent network layer to improve the representation ability of the features. Next， the original feature fusion network was substituted by the Feature Pyramid Network （FPN） with feature alignment convolution operation， thereby effectively utilizing the deformable convolution operation in the fusion process of the upper and lower layers of FPN to align the features and optimize the feature quality. Finally， the Focal-Global Distillation （FGD） algorithm was used to further improve the detection performance of small-scale algorithm. The evaluation experimental results on COCO （Common Objects in Context） 2017 dataset show that under the same training conditions，the improved algorithm adopting RLANet-50 as the backbone can achieve the mean Average Precision （mAP） of 45.9%， which is 4.3 percentage points higher than that of the VFNet algorithm， and the improved algorithm has the number of parameters of 36.67×10 ⁶， which is only 4×10 ⁶ higher than that of the VFNet algorithm. The improved VFNet algorithm only slightly increases the amount of parameters while improving the detection accuracy， indicating that the algorithm can meet the requirements of lightweight and high-precision of object detection.

Key words: Recurrent Layer Aggregation Network (RLANet), object detection, deformable convolution, feature alignment, Feature Pyramid Network (FPN), knowledge distillation

中图分类号:

TP391.41

姬张建, 张明, 王子龙. 基于改进VarifocalNet的高精度目标检测算法[J]. 计算机应用, 2023, 43(7): 2147-2154.

Zhangjian JI, Ming ZHANG, Zilong WANG. High-precision object detection algorithm based on improved VarifocalNet[J]. Journal of Computer Applications, 2023, 43(7): 2147-2154.

图/表 12

参考文献 40

1	张慧，王坤峰，王飞跃.深度学习在目标视觉检测中的应用进展与展望［J］.自动化学报， 2017， 43（8）： 1289-1305. 10.16383/j.aas.2017.c160822
	ZHANG H， WANG K F， WANG F Y. Advances and perspectives on applications of deep learning in visual object detection［J］. Acta Automatica Sinica， 2017， 43（8）： 1289-1305. 10.16383/j.aas.2017.c160822
2	JIAO L C， ZHANG F， LIU F， et al. A survey of deep learning-based object detection［J］. IEEE Access， 2019， 7： 128837-128868. 10.1109/access.2019.2939201
3	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 936-944. 10.1109/cvpr.2017.106
4	ZHANG H Y， WANG Y， DAYOUB F， et al. VarifocalNet： an IoU-aware dense object detector ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 8514-8523. 10.1109/cvpr46437.2021.00841
5	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
6	ZHAO J Y， FANG Y W， LI G D. Recurrence along depth： deep convolutional neural networks with recurrent layer aggregation［C/OL］// Proceedings of the 35th Conference on Neural Information Processing Systems ［2022-02-20］. .
7	DAI J F， QI H Z， XIONG Y W， et al. Deformable convolutional networks ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 764-773. 10.1109/iccv.2017.89
8	ZHU X Z， HU H， LIN S， et al. Deformable ConvNets v2： more deformable， better results ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 9300-9308. 10.1109/cvpr.2019.00953
9	YANG Z D， LI Z， JIANG X H， et al. Focal and global knowledge distillation for detectors ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 4633-4642. 10.1109/cvpr52688.2022.00460
10	LIN T Y， MAIRE M， BELONGIE S， et al. Microsoft COCO： common objects in context ［C］// Proceedings of the 2014 European Conference on Computer Vision， LNCS 8693. Cham： Springer， 2014： 740-755.
11	罗会兰，陈鸿坤.基于深度学习的目标检测研究综述［J］.电子学报， 2020， 48（6）： 1230-1239. 10.3969/j.issn.0372-2112.2020.06.026
	LUO H L， CHEN H K. Survey of object detection based on deep learning［J］. Acta Electronica Sinica， 2020， 48（6）： 1230-1239. 10.3969/j.issn.0372-2112.2020.06.026
12	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 779-788. 10.1109/cvpr.2016.91
13	REDMON J， FARHADI A. YOLO9000： better， faster， stronger ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 6517-6525. 10.1109/cvpr.2017.690
14	REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08）［2022-02-20］. . 10.1109/cvpr.2017.690
15	BOCHKOVSKIY A， WANG C Y， LIAO H Y M. A.YOLOv4： optimal speed and accuracy of object detection ［EB/OL］. （2020-04-23）［2022-02-20］. .
16	LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multiBox detector ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9905. Cham： Springer， 2016： 21-37.
17	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2999-3007. 10.1109/iccv.2017.324
18	GIRSHICK R. Fast R-CNN ［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448. 10.1109/iccv.2015.169
19	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149. 10.1109/tpami.2016.2577031
20	CAI Z W， VASCONCELOS N. Cascade R-CNN： delving into high quality object detection ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 6154-6162. 10.1109/cvpr.2018.00644
21	ZHOU X Y， WANG D Q， KRÄHENBÜHL P. Objects as points［EB/OL］. （2019-04-25）［2022-02-20］. . 10.5260/chara.21.2.8
22	YANG Z， LIU S H， HU H， et al. RepPoints： point set representation for object detection ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 9656-9665. 10.1109/iccv.2019.00975
23	TIAN Z， SHEN C H， CHEN H， et al. FCOS： fully convolutional one-stage object detection ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 9627-9636. 10.1109/iccv.2019.00972
24	HUANG G， LIU Z， L van der MAATEN， et al. Densely connected convolutional networks ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2261-2269. 10.1109/cvpr.2017.243
25	HU J， SHEN L， SUN G. Squeeze-and-excitation networks ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141. 10.1109/cvpr.2018.00745
26	WANG Q L， WU B G， ZHU P F， et al. ECA-Net： efficient channel attention for deep convolutional neural networks ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 11531-11539. 10.1109/cvpr42600.2020.01155
27	LIU S， QI L， QIN H F， et al. Path aggregation network for instance segmentation ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 8759-8768. 10.1109/cvpr.2018.00913
28	TAN M X， PANG R M， LE Q V. EfficientDet： scalable and efficient object detection ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 10778-10787. 10.1109/cvpr42600.2020.01079
29	CHEN G B， CHOI W， YU X， et al. Learning efficient object detection models with knowledge distillation ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 742-751.
30	LI Q Q， JIN S Y， YAN J J. Mimicking very efficient network for object detection ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 7341-7349. 10.1109/cvpr.2017.776
31	WANG T， YUAN L， ZHANG X P， et al. Distilling object detectors with fine-grained feature imitation ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 4928-4937. 10.1109/cvpr.2019.00507
32	REZATOFIGHI H， TSOI N， GWAK J， et al. Generalized intersection over union： a metric and a loss for bounding box regression ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 658-666. 10.1109/cvpr.2019.00075
33	ZHANG S F， CHI C， YAO Y Q， et al. Bridging the gap between anchor-based and anchor-free detection via adaptive training sample selection ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 9756-9765. 10.1109/cvpr42600.2020.00978
34	KIM K， LEE H S. Probabilistic anchor assignment with IoU prediction for object detection ［C］// Proceedings of the 2020 European Conference on Computer Vision， LNCS 12370. Cham： Springer， 2020： 355-371.
35	LI X， WANG W H， WU L J， et al. Generalized focal loss： learning qualified and distributed bounding boxes for dense object detection ［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2020： 21002-21012.
36	MA Y C， LIU S T， LI Z M， et al. IQDet： instance-wise quality distribution sampling for object detection ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 1717-1725. 10.1109/cvpr46437.2021.00176
37	CHEN Q， WANG Y M， YANG T， et al. You only look one-level feature ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 13034-13043. 10.1109/cvpr46437.2021.01284
38	CARION N， MASSA F， SYNNAEVE G， et al. End-to-end object detection with transformers ［C］// Proceedings of the 2020 European Conference on Computer Vision， LNCS 12346. Cham： Springer， 2020： 213-229.
39	DAI Z G， CAI B L， LIN Y G， et al. UP-DETR： unsupervised pre-training for object detection with transformers ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 1601-1610. 10.1109/cvpr46437.2021.00165
40	DAI X Y， CHEN Y P， XIAO B， et al. Dynamic head： unifying object detection heads with attentions ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 7369-7378. 10.1109/cvpr46437.2021.00729

算法	主干网	迭代次数	mAP/%	AP₅₀/%	AP₇₅/%	AP_S/%	AP_M/%	AP_L/%
ATSS	ResNet-101	24	43.6	62.1	47.4	26.1	47.0	53.6
PAA	ResNet-101	24	44.8	63.3	48.7	26.5	48.8	56.3
GFLV1	ResNet-101	24	45.0	63.7	48.9	27.2	48.8	54.5
IQDet	ResNet-101	12	45.1	63.4	49.3	26.7	48.5	56.6
YOLOF	ResNet-101	12	42.2	62.1	45.7	23.2	47.0	57.7
VFNet	ResNet-101	24	46.7	64.9	50.8	28.4	50.2	57.6
VFNet	ResNet-101	12	43.6	61.8	47.3	24.9	46.8	54.4
本文算法1_1x	RLANet-101	12	45.3	63.6	49.1	26.6	48.5	56.3
本文算法1_2x	RLANet-101	24	47.8	66.1	51.9	29.5	51.3	58.8
DETR	ResNet-50	300	42.1	63.1	44.5	19.7	46.3	60.9
UP-DETR	ResNet-50	300	42.8	63.0	45.3	20.8	47.1	61.7
DyHead	ResNet-50	12	43.0	60.7	46.8	24.7	46.4	53.9
GFLV1	ResNet-50	24	43.1	62.0	46.8	26.0	46.7	52.3
VFNet	ResNet-50	12	41.6	59.8	45.0	23.9	44.6	51.4
VFNet	ResNet-50	24	44.8	63.1	48.7	27.2	48.1	54.8
本文算法2_1x	RLANet-50	12	43.1	61.1	46.7	25.2	46.0	53.1
本文算法2_2x	RLANet-50	24	45.4	63.4	49.3	27.7	48.3	55.7
本文算法3_1x	RLANet-50	12	45.9	63.9	49.8	26.2	49.6	57.6

算法	主干网	迭代次数	mAP/%	AP₅₀/%	AP₇₅/%	AP_S/%	AP_M/%	AP_L/%
ATSS	ResNet-101	24	43.6	62.1	47.4	26.1	47.0	53.6
PAA	ResNet-101	24	44.8	63.3	48.7	26.5	48.8	56.3
GFLV1	ResNet-101	24	45.0	63.7	48.9	27.2	48.8	54.5
IQDet	ResNet-101	12	45.1	63.4	49.3	26.7	48.5	56.6
YOLOF	ResNet-101	12	42.2	62.1	45.7	23.2	47.0	57.7
VFNet	ResNet-101	24	46.7	64.9	50.8	28.4	50.2	57.6
VFNet	ResNet-101	12	43.6	61.8	47.3	24.9	46.8	54.4
本文算法1_1x	RLANet-101	12	45.3	63.6	49.1	26.6	48.5	56.3
本文算法1_2x	RLANet-101	24	47.8	66.1	51.9	29.5	51.3	58.8
DETR	ResNet-50	300	42.1	63.1	44.5	19.7	46.3	60.9
UP-DETR	ResNet-50	300	42.8	63.0	45.3	20.8	47.1	61.7
DyHead	ResNet-50	12	43.0	60.7	46.8	24.7	46.4	53.9
GFLV1	ResNet-50	24	43.1	62.0	46.8	26.0	46.7	52.3
VFNet	ResNet-50	12	41.6	59.8	45.0	23.9	44.6	51.4
VFNet	ResNet-50	24	44.8	63.1	48.7	27.2	48.1	54.8
本文算法2_1x	RLANet-50	12	43.1	61.1	46.7	25.2	46.0	53.1
本文算法2_2x	RLANet-50	24	45.4	63.4	49.3	27.7	48.3	55.7
本文算法3_1x	RLANet-50	12	45.9	63.9	49.8	26.2	49.6	57.6

主干网	特征金字塔	mAP	AP₅₀	AP₇₅	AP_S	AP_M	AP_L
ResNet-50	FPN	41.6	59.8	45.0	23.9	44.6	51.4
ResNet-50	FPN_DCN	41.8（+0.2）	59.9	45.4	24.7	44.8	50.8
RLANet-50	FPN	42.9（+1.3）	61.0	46.5	24.7	45.8	53.6
RLANet-50	FPN_DCN	43.1（+1.5）	61.1	46.7	25.2	46.0	53.1

主干网	特征金字塔	mAP	AP₅₀	AP₇₅	AP_S	AP_M	AP_L
ResNet-50	FPN	41.6	59.8	45.0	23.9	44.6	51.4
ResNet-50	FPN_DCN	41.8（+0.2）	59.9	45.4	24.7	44.8	50.8
RLANet-50	FPN	42.9（+1.3）	61.0	46.5	24.7	45.8	53.6
RLANet-50	FPN_DCN	43.1（+1.5）	61.1	46.7	25.2	46.0	53.1

算法	主干网	特征金字塔	浮点计算量/GFLPOs	参数量/10⁶
VFNet	ResNet-50	FPN	192.78	32.67
本文算法	RLANet-50	FPN_DCN	212.95	36.67

基于改进VarifocalNet的高精度目标检测算法

High-precision object detection algorithm based on improved VarifocalNet

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 40

相关文章 15

编辑推荐

Metrics

算法	mAP	AP₅₀	AP₇₅	AP_S	AP_M	AP_L
Student_RLANet-50	43.1	61.1	46.7	25.2	46.0	53.1
Teacher_RLANet-101	45.3	63.6	49.1	26.6	48.5	56.3
RLANet-101_FGD_RLANet-50	45.9 （+2.8）	63.9 （+2.8）	49.8 （+3.1）	26.2 （+1.0）	49.6 （+3.6）	57.6 （+4.5）

[1]	贾洁茹, 杨建超, 张硕蕊, 闫涛, 陈斌. 基于自蒸馏视觉Transformer的无监督行人重识别[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2893-2902.
[2]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[3]	李烨恒, 罗光圣, 苏前敏. 基于改进YOLOv5的Logo检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2580-2587.
[4]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[5]	张英俊, 李牛牛, 谢斌红, 张睿, 陆望东. 课程学习指导下的半监督目标检测框架[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2326-2333.
[6]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[7]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[8]	姬张建, 杜娜. 基于改进VariFocalNet的微小目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2200-2207.
[9]	刘越, 刘芳, 武奥运, 柴秋月, 王天笑. 基于自注意力机制与图卷积的3D目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1972-1977.
[10]	邓亚平, 李迎江. YOLO算法及其在自动驾驶场景中目标检测综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1949-1958.
[11]	耿焕同, 刘振宇, 蒋骏, 范子辰, 李嘉兴. 基于改进YOLOv8的嵌入式道路裂缝检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1613-1618.
[12]	李鸿天, 史鑫昊, 潘卫国, 徐成, 徐冰心, 袁家政. 融合多尺度和注意力机制的小样本目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1437-1444.
[13]	宋霄罡, 张冬冬, 张鹏飞, 梁莉, 黑新宏. 面向复杂施工环境的实时目标检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1605-1612.
[14]	陈天华, 朱家煊, 印杰. 基于注意力机制的鸟类识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1114-1120.
[15]	李雨秋, 侯利萍, 薛健, 吕科, 王泳. 基于内容解译的遥感图像推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 722-731.