检索结果-南通市图书馆

检索条件"主题词=增量式目标检"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于YOLOv5与EWC的增量目标检测

基于YOLOv5与EWC的增量目标检测

引用

作者：刘欣妍西南财经大学

学位级别：硕士

当前目标检测技术日趋完善,有着较高的检测精度和检测速度。然而人们对目标检测技术的期望远不止于其精度和速度,人们还希望,在得到一个训练完好的基模型后,目标检测技术能够不断学习新的未见过的信息,从而实现增量目标检测。在增量目... 详细信息

当前目标检测技术日趋完善,有着较高的检测精度和检测速度。然而人们对目标检测技术的期望远不止于其精度和速度,人们还希望,在得到一个训练完好的基模型后,目标检测技术能够不断学习新的未见过的信息,从而实现增量目标检测。在增量目标检测上,现有的研究技术主要依赖于两阶段目标检测算法。尽管两阶段目标检测算法在精度上具有优势,但它存在训练时间长,无法满足实时检测的需求。鉴于两阶段算法的不足,又发现单阶段目标检测算法的精度和速度已经能满足我们的需求,本论文使用单阶段目标检测中的YOLOv5模型作为增量目标检测的基模型,并在其中加入增量学习算法EWC,从而实现增量目标检测。本文首先详细介绍了YOLOv5模型和EWC模型的原理。YOLOv5网络结构包括四个部分,分别是输入端、主干网络、Neck部分和检测层。EWC算法是基于后验信息的算法,通过平衡新旧参数的重要性来达到记住“旧知识”的目的。为了实现增量目标检测,本论文将YOLOv5模型与EWC算法结合,修改YOLOv5的损失函数,在其损失函数部分加入EWC算法作为正则化项,记录所有学过的数据的信息,从而实现增量目标检测。在实验中发现加入EWC算法也不能完全解决灾难性遗忘,后来发现是新旧数据集标签冲突导致。为了解决这一问题,在实验中加入了伪标签处理,最终实现了增量目标检测这一目的。实验结果展示出,本文使用的YOLOv5+EWC+伪标签模型在Pascal VOC2012数据集上表现良好。本文首先在YOLOv5模型上直接进行增量学习,在5-15一次增量、10-5-5二次增量、5-5-5-5三次增量上结果显示,YOLOv5模型只能记住最后一次的学习结果,也只能识别最后一次学习的数据类别。接下来,使用YOLOv5+EWC算法进行三种增量实验,发现尽管YOLOv5+EWC算法在旧数据集上的预测精度优于YOLOv5算法,但其精度仍然非常差。然后,在实验的数据处理阶段加入伪标签处理,实验发现,YOLOv5+EWC+伪标签模型能够记住原有学过的类别,且能够继续学习新数据。YOLOv5+EWC+伪标签模型能够克服增量目标检测的灾难性遗忘问题,对于增量目标检测的发展具有积极意义。YOLOv5+EWC+伪标签模型克服了增量学习中的灾难性遗忘,但是实验结果也反映出其连续学习次数是有限的,随着增量学习次数的增加,模型“记住”原来学过的信息变得更加困难,对新数据集的学习也变得更加困难。要想突破增量目标检测在学习次数方面的瓶颈,不仅在算法上需要改进,硬件设备研究也是必不可少的。

关键词：增量式目标检 YOLOv5 EWC 伪标签目标检测增量学习

来源：

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：