针对现有的基于CNN的方法存在特征信息丢失、杂波信息干扰严重、忽略了不同尺度特征之间的相关性、需要大量训练样本等问题, 提出了一种基于孪生特征引导多尺度网络(SFGMSN)的坦克检测方法。在SFGMSN方法中, 设计一种改进的Inception模块, 提取坦克目标图像的多尺度特征, 并进行特征融合, 更好地恢复了坦克目标的精细分段信息; 为了提高目标区域的特征感知能力和抑制背景干扰, 设计了一种局部通道注意机制(LCA-M), 得到更加精准的检测结果; 最后, 利用元学习器检测坦克目标。SFGMSN方法充分利用多尺度卷积、空洞卷积、孪生网络、局部通道注意机制和元学习器的优势, 能够解决传统CNN模型过度依赖大量训练样本以及在小样本条件下可能出现的准确率低和泛化性差的问题。在坦克图像数据库中进行实验, 结果表明, 所提方法具有较好的检测效果, 平均检测精度为90.12%, 可实现复杂场景下坦克检测, 对低分辨率坦克图像具有很好的鲁棒性。

鉴于国内野生菌中毒事件频发，拟采用深度学习技术来解决这一社会问题。但由于野生菌图像的类间差异较小，图像背景复杂，细粒度识别精度较低。针对这一问题，提出了一种改进的ResNeXt50网络。首先设计了一种多尺度特征引导（MSFG）模块，通过短连接引导网络充分学习和利用低级特征与高级特征；接着采用改进的注意力机制模块来减少网络对复杂背景的学习；最后对模型中的不同层级特征进行融合，利用得到的联合特征进行识别。实验结果表明，所提改进模型在测试集上的准确率可以达到96.47%，较未改进的ResNeXt50网络，在准确率上提升了2.64个百分点。对比结果显示，相较VGG19、DenseNet121、Inception_v3、ResNet50、ShuffleNet_v2这5个网络模型，所提改进模型在准确率上分别提升了8.10个百分点、5.13个百分点、3.24个百分点、3.30个百分点、4.25个百分点。