基于坐标意识和增强的BiFPN,精细细分中国字符的冲刺
1College of Information Science and Technology, Gansu Agricultural University, Lanzhou 730070, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
这项研究引入了一个新的YOLOv8n-seg-CAA-BiFPN模型,用于精确的中文字节拍细分. 改进后的模型显著提高了复杂字符结构的准确性和回忆率.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 数字图像处理 数字图像处理
背景情况:
- 由于复杂的结构,中文字符的冲刺提取和识别面临着挑战,导致准确性低,细分不清楚.
- 现有的细分模型在与中文字符中笔的复杂连接和交叉点作斗争.
研究的目的:
- 开发一个先进的细分模型,准确地从中文字符中提取单个笔记.
- 通过解决现有方法的局限性,提高汉字笔划分的精度.
主要方法:
- 提出了YOLOv8n-seg-CAA-BiFPN模型,集成了一个坐标意识注意力 (CAA) 机制和一个增强的加权双向特征金字塔网络 (BiFPN).
- 实现了Shape-IoU损失以改善边界框回归,并使用Grad-CAM++可视化模型焦点.
- 在CCSE-Kai和CCSE-HW数据集上训练和评估模型.
主要成果:
- 在公开数据集上,平均准确率为84.71%,平均回忆率为83.65%,平均精度为80.11%.
- 在准确性,回忆和mAP方面,与原来的YOLOv8n-seg和主流模型 (SegFormer,BiSeNetV2,Mask R-CNN) 相比,显著改进.
- 该YOLOv8n-seg-CAA-BiFPN模型在细分复杂的中文字符笔记方面表现出卓越的性能.
结论:
- YOLOv8n-seg-CAA-BiFPN模型有效地克服了在中文字节拍细分方面的挑战.
- 拟议的CAA机制和BiFPN集成增强了特征融合和对中风细分的上下文理解.
- 这个模型提供了一个强大的解决方案,用于准确和详细的中文字节拍细分.
