换一批融合FocalNet与YOLOv5模型的有孔虫化石图像检测
FORAMINIFERA FOSSILS IMAGE DETECTION WITH INTEGRATED FOCALNET AND YOLOV5 MODELS
摘要有孔虫化石的属级鉴定在地层划分与对比、古环境和古气候重建等方面具有重要应用,其传统分类依赖工作人员经验,成本高、周期长、工作量大,为此本文提出了一种基于深度学习的有孔虫目标检测方法:焦点调制主干网络FocalNet-YOLO.该方法以YOLOv5网络为基础,结合焦点网络(FocalNet)的焦点调制思想,使用焦点调制(focal modulation)作为转换器(transformer)网络内部令牌(token),优化YOLO网络结构,提高了目标检测精确度与召回率等评价指标.实验结果表明:该算法可以检测出21个有孔虫属且全类平均准确率达到99.6％,召回率达到99.8％,模型大小减小22.2％,一帧推理时间为28.1毫秒;该方法有助于有孔虫化石迅速确定属名,有助于迅速检测样本地质年代,具有潜在的应用价值.
更多相关知识
关键词
有孔虫化石深度学习目标检测FocalNet网络YOLO模型Transformer架构foraminifera fossilsdeep learningtarget detectionFocalNetYOLOTransformer
发布时间
2025-08-07（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
