检索结果-南通市图书馆

改进交并比边界框回归损失的YOLOv3检测算法

在线全文

学校读者我要写书评

暂无评论

计算机工程 2021年

作者：沈记全陈相均翟海霞河南理工大学计算机科学与技术学院

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感，且与算法检测效果的评价标准交并比(Intersection over Union， IoU)之间的优化不具有强相关性，无法准确的反映真值框与预测框之间的重叠情况。针对上述问题，提出改进交并比... 详细信息

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感，且与算法检测效果的评价标准交并比(Intersection over Union， IoU)之间的优化不具有强相关性，无法准确的反映真值框与预测框之间的重叠情况。针对上述问题，提出改进交并比边界框回归BR-IoU(Bounding Box Regression IoU)损失算法，该算法将IoU作为边界框回归损失函数的损失项，通过添加惩罚项最小化预测框与真值框中心点间围成矩形的面积、提高预测框与真值框之间宽高比值的一致性，来提升边界框的回归收敛效果。在PASCAL VOC和COCO数据集上的实验结果表明，采用BR-IoU损失算法作为边界框回归损失的YOLOv3在不影响实时性的前提下，在PASCAL VOC 2007测试集上的mAP达到81.23%(IoU=0.5)，在COCO测试集上的mAP相比原YOLOv3算法提升了2.07%(IoU[0.5:0.95])。

关键词： YOLOv3检测算法边界框回归交并比 BR-IoU损失算法宽高比值

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

目标检测中的交并比损失函数研究

目标检测中的交并比损失函数研究

作者：张羽安徽大学

学位级别：硕士

图像目标检测是指识别出图像中感兴趣的目标所在的位置及其类别,它是计算机视觉领域的一个重要研究方向。在最近十几年,由于深度学习技术的进步,基于深度神经网络的图像目标检测取得了很大的成功,因此研究人员开发了大量基于深层卷积神... 详细信息

图像目标检测是指识别出图像中感兴趣的目标所在的位置及其类别,它是计算机视觉领域的一个重要研究方向。在最近十几年,由于深度学习技术的进步,基于深度神经网络的图像目标检测取得了很大的成功,因此研究人员开发了大量基于深层卷积神经网络(Deep Convolutional Neural Network,DCNN)的目标检测算法。基于DCNN的目标检测器模型通常用一个轴向包围盒来表示目标的位置和大小,使用DCNN回归出包围盒参数。这类模型包含了数量巨大的参数,为了训练这些参数,需要用大量有标注的图像样本,并设计某种合适的损失函数来评价模型预测结果与真实值之间的差异,通过最小化损失函数来估计模型参数的局部最优解。当前,主流目标检测算法主要采用两大类回归损失函数来优化模型参数,包括基于范数的损失函数和基于交并比(Intersection over Union,Io U)指标的损失函数。基于范数损失函数(如L1、L2范数损失函数等),通过优化包围盒坐标参数来训练网络,但忽略了参数之间的相关性,并且与目标检测效果的评价策略不一致,因此优化范数损失不一定得到最佳的检测效果。基于Io U指标的损失函数,通过优化包围盒重叠度参数来训练网络,Io U作为目标检测评估指标,它综合考虑了包围盒的四个参数,可以很好的克服范数损失的上述问题。这方面的代表性工作包括GIo U(Generalized Io U)损失函数、DIo U(Distance Io U)损失函数、CIo U(Complete Io U)损失函数等。然而,目前广为使用的Io U指标存在对于目标相对位置及宽高比不敏感的问题,不能根据Io U判别出不同重叠位置的优劣。有很多种类的目标(比如人脸、行人等)在图像中对应的像素分布比较紧凑,这类目标在包围盒中心位置的重要性更高,边缘部分的位置一般重要性较低,传统的Io U指标不能体现这种位置重要性的差异。因此,本文对Io U指标进行了研究,将传统Io U推广为位置加权Io U(Weighted Io U,WIo U),并在此基础上提出了基于WIo U的损失函数,具体研究工作如下:(1)提出位置加权Io U(WIo U)指标。通过对目标区域不同位置赋予不同的权重,WIo U指标可以刻画包围盒的不同重叠方式的差异。为了验证WIo U的优越性,本文在目标检测模型的训练中使用WIo U进行样本选择,并将其应用于非极大值抑制(Non Maximum Suppression,NMS)算法中。本文在通用目标检测算法SSD及人脸检测算法Retina Face上设计对比实验,实验验证了WIo U指标在样本选择和NMS算法这两个任务中的有效性。(2)提出基于WIo U的损失函数。本文分析了不同损失函数的性质,通过实验研究分析了DIo U损失函数的收敛速度,发现了其收敛速度较慢的原因。本文利用WIo U度量指标构造了新的损失函数用于目标检测模型的训练,在MS COCO,PASCAL VOC等数据集上进行了对比实验,实验结果表明,与Smooth L1、GIo U、CIo U等损失函数的检测精度相比,本文提出的WIo U损失函数获得了更高的检测精度,并且检测效果更好,其检测结果更加接近真值框。

关键词：目标检测交并比边框回归损失损失函数深度学习

联合特征相似性度量和交并比的检测框优选研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电脑知识与技术 2019年第10Z期15卷 190-193页

作者：孙世强左海维赵露婷徐州医科大学医学信息与工程学院

非极大值抑制(Non-Maximum Suppression,NMS)算法作为Faster R-CNN(region-based convolutional neural network,R-CNN)的后置处理算法,从物理空间判定检测框的重叠比例,忽略内在特征联系,造成漏检和误检问题。因此提出联合特征相似性... 详细信息

非极大值抑制(Non-Maximum Suppression,NMS)算法作为Faster R-CNN(region-based convolutional neural network,R-CNN)的后置处理算法,从物理空间判定检测框的重叠比例,忽略内在特征联系,造成漏检和误检问题。因此提出联合特征相似性度量和交并比的检测框优选方法(Optimized box Based on IoU and Feature similarity,OBIF)。该方法首先计算两个检测框的交并比(Intersection over Union,IoU),判断检测框之间的重叠比例;然后计算闵式距离,表示重叠的检测框之间的特征相近性,进行深层次判断;最后联合闵氏距离和交并比实现检测框优选。当运行效率一致和时间复杂度相同时,将Faster R-CNN+OBIF应用到PASCAL VOC 2007数据集和结直肠腺癌数据集,比较传统NMS算法,平均识别准确率分别提高了1.4%和1.1%,方法检测精度得到显著的提升。

关键词：目标检测非极大值抑制算法 Faster R-CNN 交并比特征相似性度量

在线全文

学校读者我要写书评

暂无评论

基于语义分割的沥青路面裂缝智能识别

浙江大学学报:工学版 2023年第10期57卷 2094-2105页

作者：杨燕泽王萌刘诚徐慧通张小月北京交通大学土木建筑工程学院北京100044 中路高科交通检测检验认证有限公司北京100088

针对传统的沥青路面人工检测效率低、缺乏客观性的弊端,提出基于语义分割的沥青路面裂缝智能识别方法.综合考虑数据集规模、算法种类、网络种类及深度、损失函数类型的影响,对22个语义分割模型开展对比研究,提出适用于较大、较小规模数... 详细信息

针对传统的沥青路面人工检测效率低、缺乏客观性的弊端,提出基于语义分割的沥青路面裂缝智能识别方法.综合考虑数据集规模、算法种类、网络种类及深度、损失函数类型的影响,对22个语义分割模型开展对比研究,提出适用于较大、较小规模数据集的优选裂缝智能识别方案及对应模型.基于北京六环高速公路沥青路面,建立裂缝分割数据集R-Crack,对提出的智能识别方案进行应用检验,并自动量化裂缝参数.结果表明:检测准确率最高达到83.45%,通过对比人工及自动化检测方式获得的裂缝参数计算结果,裂缝长度和宽度平均误差分别为2.84%和2.39%,提出的智能识别方案为高速公路等场景下沥青路面裂缝的智能检测实践提供依据.

关键词：沥青路面检测交并比语义分割裂缝识别卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于YOLOv5的道路目标检测算法研究

计算机工程与应用 2023年第1期59卷 117-125页

作者：王鹏王玉林焦博文王洪昌于奕轩青岛大学机电工程学院山东青岛266071

为提高道路目标检测精度,基于YOLOv5网络模型,引入自底向上的PANet网络结构,以增强特征融合;采用具有方向感知与位置信息的目标注意力机制,以增强对目标位置的感知能力;增加了一个YOLO检测头,以增强对小目标的学习能力。采用改进的CIOU(... 详细信息

为提高道路目标检测精度,基于YOLOv5网络模型,引入自底向上的PANet网络结构,以增强特征融合;采用具有方向感知与位置信息的目标注意力机制,以增强对目标位置的感知能力;增加了一个YOLO检测头,以增强对小目标的学习能力。采用改进的CIOU(ICIOU)目标回归损失函数,使得整个模型对图像特征的学习能力和目标检测精度显著提升。实验结果表明,该模型在华为SODA10M数据集下的mAP达到了68.2%,相比原YOLOv5网络mAP提升了15.4个百分点,检测精度得到了明显提升。在此基础上,对图像尺寸对检测时间和精度的影响进行探索,结果表明适当增大图像输入尺寸,可以在检测速度下降不大(23.3个百分点)的前提下,使得mAP明显提升(3.8个百分点)。

关键词：深度学习目标检测注意力机制交并比 PANet网络结构

在线全文

学校读者我要写书评

暂无评论

一种基于锚框质量分布的动态标签分配策略

计算机工程 2023年第4期49卷 85-91,100页

作者：王璐璐陈东方王晓峰武汉科技大学计算机科学与技术学院武汉430065 武汉科技大学智能信息处理与实时工业系统湖北省重点实验室武汉430065

传统的标签分配策略根据锚框与ground-truth之间的交并比(IoU)是否超过阈值来划分正负样本,但确定IoU阈值需要依靠大量的经验和实验,并且在不同的网络结构中需要重新设定新的阈值;其次固定的阈值无法保证正负样本数量变化的平缓,过多或... 详细信息

传统的标签分配策略根据锚框与ground-truth之间的交并比(IoU)是否超过阈值来划分正负样本,但确定IoU阈值需要依靠大量的经验和实验,并且在不同的网络结构中需要重新设定新的阈值;其次固定的阈值无法保证正负样本数量变化的平缓,过多或过少的正样本都将影响网络训练的稳定性。为解决这些问题,提出一种自适应标签分配策略。根据中心先验原则设计中心权重,通过联合分类得分和定位得分表示锚框质量,组成一个统一的锚框评分方案便于简化划分步骤。为了使网络能够根据训练程度自适应调整IoU阈值,保证网络训练的稳定性,利用锚框质量高斯函数模拟锚框总体质量得分的分布情况,使用极大似然估计算法获取最优参数,根据统计结果动态预测最佳IoU阈值。实验结果表明,该算法在基于锚框和基于无锚框的检测算法中均使检测性能得到有效提升,在PASCAL VOC数据集上分别提升3.1和6.6个百分点,并且可以有效降低漏检率。

关键词：标签分配目标检测深度学习样本交并比

在线全文

学校读者我要写书评

暂无评论

一种基于边界框关键点距离的框回归算法

计算机工程 2023年第7期49卷 65-75页

作者：聂志勇阴宇薇汤佳欣涂志刚国能网信科技(北京)有限公司综合自动化部北京100011 武汉大学测绘遥感信息工程国家重点实验室武汉430079

针对目前基于交并比(IoU)的框回归方法在实际应用中存在的检测精度不高、收敛速度较慢等问题,提出一种基于关键点距离交并比(KIoU)的框回归方法。从几何知识入手,将矩形的3个顶点和1个中心点作为关键点,通过计算对应点之间的距离来判断... 详细信息

针对目前基于交并比(IoU)的框回归方法在实际应用中存在的检测精度不高、收敛速度较慢等问题,提出一种基于关键点距离交并比(KIoU)的框回归方法。从几何知识入手,将矩形的3个顶点和1个中心点作为关键点,通过计算对应点之间的距离来判断预测框与真实框的位置以及形态差异。构建基于关键点交并比损失的新型损失函数,计算实际情况与理想情况下预测框与真实框的关键点交并比之差,将关键对应点的距离作为IoU的惩罚项以加速模型收敛过程,利用关键点信息在定位上的高效性和准确性来提高目标检测精度。以单阶段目标检测算法SSD和两阶段目标检测算法Faster R-CNN为基准算法,在PASCAL VOC和COCO数据集上将KIoU与IoU、GIoU、DIoU、CIoU等4种交并比方法进行实验对比,结果表明:在检测精度方面,在Faster R-CNN上KIoU相较IoU提升了2.91%,相较目前表现较好的DIoU提升了0.11%,在SSD上KIoU相较IoU与DIoU分别提升了0.96%与0.06%;在目标检测视觉效果方面,KIoU方法对目标的定位更加准确,且在一定程度上能够减少目标漏检的情况。

关键词：目标检测边界框回归交并比关键点距离交并比关键对应点

基于改进边界框回归损失的YOLOv3检测算法

在线全文

学校读者我要写书评

暂无评论

计算机工程 2022年第3期48卷 236-243页

作者：沈记全陈相均翟海霞河南理工大学计算机科学与技术学院河南焦作454000

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感,且与算法检测效果评价标准交并比(IoU)之间的优化不具有强相关性,无法准确反映真值框与预测框之间的重叠情况,造成收敛效果不佳。针对上述问题,提出基于IoU的改进边界框回归损失... 详细信息

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感,且与算法检测效果评价标准交并比(IoU)之间的优化不具有强相关性,无法准确反映真值框与预测框之间的重叠情况,造成收敛效果不佳。针对上述问题,提出基于IoU的改进边界框回归损失算法BR-IoU。将IoU作为边界框回归损失函数的损失项,使不同尺度的边界框在回归过程中获得更均衡的损失优化权重。在此基础上,通过添加惩罚项最小化预测框与真值框中心点间围成的矩形面积,并提高预测框与真值框之间宽高比的一致性,从而优化边界框的回归收敛效果。在PASCAL VOC和COCO数据集上的实验结果表明,在不影响实时性的前提下,BR-IoU能够有效提高检测精度,采用BR-IoU的YOLOv3算法在PASCAL VOC 2007测试集上mAP较原YOLOv3算法和G-YOLO算法分别提高2.5和1.51个百分点,在COCO测试集上分别提高2.07和0.66个百分点。

关键词： YOLOv3检测算法边界框回归交并比 BR-IoU损失算法宽高比

基于改进U-Net和X线片的脊柱侧弯Cobb角自动测量算法研究

在线全文

学校读者我要写书评

暂无评论

基因组学与应用生物学 2024年第4期43卷 708-718页

作者：禤浚波梁英豪梁淑慧张绿云胡巍柯宝毅马文宇李成广西师范大学广西多源信息挖掘与安全重点实验室桂林541004 南宁职业技术学院人工智能学院南宁530008 广西师范大学计算机科学与工程学院桂林541004 河池学院大数据与计算机学院宜州546300 桂林市人民医院脊柱骨病科桂林541002 柳州市人民医院脊柱外科柳州545006

脊柱侧弯是影响人类健康的疾病之一,Cobb角的准确计算是临床上确定脊柱侧弯分型和制定诊疗方案的关键。针对人工测量Cobb角存在耗时长、不够准确、效率低下等问题,本文设计了一种基于改进U-Net的脊柱侧弯Cobb角自动测量方法。由经验丰... 详细信息

脊柱侧弯是影响人类健康的疾病之一,Cobb角的准确计算是临床上确定脊柱侧弯分型和制定诊疗方案的关键。针对人工测量Cobb角存在耗时长、不够准确、效率低下等问题,本文设计了一种基于改进U-Net的脊柱侧弯Cobb角自动测量方法。由经验丰富的脊柱外科医生使用LabelMe工具对200例脊柱侧弯患者的X线片数据集进行标注。采用ResNet50作为主干网络改进基本的语义分割模型U-Net,并与另外2个语义分割模型DeeplabV3和PSPNet在脊柱侧弯X线片数据集上分别进行训练。实验结果表明,改进的U-Net模型的平均交并比(mean intersection over union,MIOU)值达到了94.72%,分别比PSPNet和DeeplabV3模型的MIOU值提升了5.36%和2.30%。最后,基于改进的U-Net模型设计了脊柱侧弯Cobb角的自动测量算法,并开发了可视化的自动测量软件。经过实际测试,发现在常规的电脑上输入一张患者的X线片,只需6.3 s即可自动计算Cobb角大小,其速度远快于医生手动测量,显著提高了医生的工作效率,表明本文设计的脊柱侧弯Cobb角自动测量方法是有效的。

关键词：脊柱侧弯 X线图像 Cobb角 U-Net 交并比