YOLO-PDS：基于改進(jìn)的YOLOv11的無人機(jī)小目標(biāo)檢測(cè)算法[模擬設(shè)計(jì)][航空航天]

目標(biāo)檢測(cè)在遙感領(lǐng)域中具有廣泛的應(yīng)用前景。盡管目標(biāo)檢測(cè)算法在自然圖像中取得了明顯的進(jìn)展，但這些方法直接應(yīng)用于遙感圖像時(shí)仍然面臨諸多挑戰(zhàn)。遙感圖像的背景往往比較復(fù)雜且物體較小，導(dǎo)致前景與背景信息的分布極為不平衡。針對(duì)無人機(jī)圖像小目標(biāo)和物體遮擋的問題，提出了一種基于風(fēng)車狀卷積（PinwheelConv）改進(jìn)的無人機(jī)小目標(biāo)檢測(cè)算法。為了改進(jìn)模型對(duì)小目標(biāo)的檢測(cè)效果，在骨干網(wǎng)絡(luò)中使用風(fēng)車狀卷積替換普通卷積來更好地適應(yīng)小目標(biāo)提取特征，同時(shí)基于風(fēng)車狀卷積的思想設(shè)計(jì)了C2f-PC模塊來替換骨干中的C3k2模塊。為解決無人機(jī)圖像中目標(biāo)遮擋嚴(yán)重的問題，創(chuàng)新性地提出了C2f-PDWR模塊來替換頸部網(wǎng)絡(luò)中的C3k2模塊，來增強(qiáng)模型的特征融合能力，同時(shí)引入了SEAM（Spatially Enhanced Attention Module）來改善模型對(duì)被遮擋物體的檢測(cè)效果。最后，基于YOLOv11提出對(duì)小目標(biāo)檢測(cè)更加高效的YOLO-PDS模型。其在VisDrone2019數(shù)據(jù)集上所提方法較基準(zhǔn)模型YOLOv11檢測(cè)方法mAP50提高3.7%以上，召回率提高2.2%以上。

發(fā)表于：12/17/2025 4:50:23 PM

基于GAN和集成學(xué)習(xí)的電力系統(tǒng)網(wǎng)絡(luò)入侵檢測(cè)方法[通信與網(wǎng)絡(luò)][智能電網(wǎng)]

針對(duì)現(xiàn)有入侵檢測(cè)方法在面臨高維數(shù)據(jù)非線性關(guān)聯(lián)和樣本分布不均衡的網(wǎng)絡(luò)監(jiān)測(cè)數(shù)據(jù)時(shí)存在檢測(cè)準(zhǔn)確率低和對(duì)少數(shù)類攻擊漏檢率高的問題，提出一種基于生成對(duì)抗網(wǎng)絡(luò)（GAN）與集成學(xué)習(xí)的電力系統(tǒng)網(wǎng)絡(luò)入侵檢測(cè)方法。首先，利用GAN生成與真實(shí)分布一致的合成攻擊樣本，有效緩解數(shù)據(jù)不均衡問題；其次，通過稀疏自編碼器（SAE）對(duì)高維特征進(jìn)行非線性降維，提取低維判別性特征以克服維度災(zāi)難；最后，構(gòu)建Bagging集成學(xué)習(xí)框架，融合K-means、層次聚類和高斯混合模型（GMM）的異構(gòu)基學(xué)習(xí)器，并采用DBSCAN元學(xué)習(xí)器對(duì)聚類結(jié)果進(jìn)行二次分析，提升檢測(cè)魯棒性?；贙DD CUP99數(shù)據(jù)集的實(shí)驗(yàn)表明，所提方法在數(shù)據(jù)增強(qiáng)后使少數(shù)類樣本占比從2.6%提升至17.7%，檢測(cè)準(zhǔn)確率達(dá)96.4%，誤檢率低至7.3%，尤其少數(shù)類關(guān)鍵攻擊的召回率超過97.6%。相較于傳統(tǒng)方法顯著提升了復(fù)雜攻擊場(chǎng)景下的檢測(cè)性能，為電力系統(tǒng)網(wǎng)絡(luò)安全防護(hù)提供了新思路。

發(fā)表于：12/17/2025 4:27:07 PM