检索结果-南通市图书馆

检索条件"主题词=正样本分配"

共 2 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：

基于正样本分配与轻量化设计的拥挤行人检测研究

基于正样本分配与轻量化设计的拥挤行人检测研究

引用

作者：帅泽群重庆交通大学

学位级别：硕士

行人检测是计算机视觉领域中一个基础且关键的研究任务,旨在通过视觉相关的技术对图像进行处理,以准确定位及识别对应的目标人群。随着深度学习技术的应用和计算机硬件的逐渐成熟,在很多工业领域都搭建了完善的行人检测平台。例如交通... 详细信息

行人检测是计算机视觉领域中一个基础且关键的研究任务,旨在通过视觉相关的技术对图像进行处理,以准确定位及识别对应的目标人群。随着深度学习技术的应用和计算机硬件的逐渐成熟,在很多工业领域都搭建了完善的行人检测平台。例如交通人流量统计、港口智能安防、无人驾驶感知平台等。但在行人检测实际应用过程中还存在着很多问题的挑战,例如光照不均匀、复杂背景的干扰都会对检测器的性能产生影响。当检测画面中人口密度过大时还会导致目标人群发生严重的遮挡,从而导致漏检情况的发生。而且由于相机的摆放位置的不合理性会导致行人在图片中的像素过小,从而导致检测器很难提取特征。目前常规的目标检测器能够处理一般情况的定位和识别任务,而在拥挤行人场景下的鲁棒性较低。另外,由于生产成本和检测耗时限制,对设计的算法模型的轻量化也是目前备受关注的。本文主要针对上述问题中小目标特征难以提取和目标人物之间的遮挡,以及在不损失模型精度的同时去兼顾模型的推理速度等方面进行了研究。研究工作主要为以下三个方面:(1)针对拥挤行人场景中出现的小目标过多的问题,通过改进马赛克线上数据增强,增加训练图片的多样性;设计了更加高效的卷积块注意力机制模块,改进后的模块能更快的搜索局部通道的信息,加强模型对局部特征的关注度;重新设计了算法模型的预测解耦头,常规的行人检测器都采用的1×1的卷积核作为预测解耦头,本文采用分层式的结构将分类置信度和目标框回归分开进行预测。对回归框分支预测的目标框偏移量进行解码,对置信度高的预测框进行映射提取,与分类预测分支的特征图进行融合,提升了局部有效特征的置信度。(2)针对密接人群出现的半遮挡或几乎完全遮挡的情况,常规检测器的训练模型无法准确的匹配高质量的正样本进行损失计算,本文重新设计了模型的训练方式,以动态匹配的方式为小目标和遮挡目标精准匹配优质的正样本,使模型通过扩充的优质样本进行更有效地学习,提高了小目标和遮挡目标的检测能力。传统的非极大值抑制算法对目标物之间的遮挡不能有一个准确的处理,如果两个目标重叠度过大,非极大值抑制算法会抑制掉其中一个预测框,从而容造成漏检,尤其是在拥挤行人的检测场景下这种情况尤为突出。本文在模型后处理端提出了引用Soft-NMS算法来衰减预测框的置信度而非直接抑制,有效改善了这一问题。(3)本文基于YOLOv5m和YOLOv5s设计了两个参数量规模不同的算法模型。深层网络的算法在检测精度上有着很高的优势,但推理速度却很难在一些轻量级设备上保证实时率,过大的参数量也限制了其部署能力。本文通过知识蒸馏和设计的蒸馏策略让浅层网络达到了深层网络的检测能力,从而代替深层网络来实现轻量化的目的;通过结构重参数化在模型推理端压缩模型参数和网络层数,进一步实现了加速推理;通过ONNX Runtime加速库搭建了C++推理平台,在该平台实现了行人统计、交通拥堵判定等功能,并对采集的实际场景数据进行了检测分析。上述工作均在Crowd Human数据集以及VisDrone2019数据集上进行了详细的验证。研究结果表明:本文设计的算法模型在Crowd Human的测试集上的精度和推理速度分别为53.8%和7.1ms,且通过消融实验和模型对比证明了算法的准确性和实时性。

关键词：拥挤行人小目标检测正样本分配知识蒸馏

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

基于anchor free的多尺度目标检测方法研究

基于anchor free的多尺度目标检测方法研究

引用

作者：贾帅帅西安电子科技大学

学位级别：硕士

随着人们生活水平的日益提高和生活节奏的加快,人们对省时省力和体验舒适的人工智能技术的需求越来越多,而基于计算机视觉的目标检测任务则是人工智能领域的重要组成部分,智慧城市、自动驾驶、电力巡检以及人脸解锁等应用都用到了目标... 详细信息

随着人们生活水平的日益提高和生活节奏的加快,人们对省时省力和体验舒适的人工智能技术的需求越来越多,而基于计算机视觉的目标检测任务则是人工智能领域的重要组成部分,智慧城市、自动驾驶、电力巡检以及人脸解锁等应用都用到了目标检测技术。早期的基于深度学习的目标检测模型大多数都利用了先验框（anchor）来降低模型的学习难度,但由于超参数较多、检测器泛化能力受限,近几年,学者们开始重点研究基于anchor-free的目标检测模型,这类模型抛弃了先验框,网络结构优雅且模型的泛化性更强。本文正是以基于anchor-free的FCOS模型为基础,围绕目标检测中的多尺度问题进行展开,主要针对FCOS正样本分配的问题和目标检测模型多尺度推理时受到极大极小目标干扰的问题进行研究和改进,并在病害数据集和COCO数据集上进行实验验证改进算法的可行性和有效性。本文主要创新内容如下:（1）针对FCOS中正样本分配对细长目标采样不均匀的问题,提出了高宽比自适应的正样本中心采样算法,同时针对原中心度真值的长边下降快、短边下降慢的问题,提出高宽比自适应的中心度真值定义,该算法改善了细长目标中心度下降过快导致FCOS的中心度分支训练不充分的问题,通过结合以上两个改进策略,提高了模型对高宽比较大的目标的鲁棒性。（2）FCOS模型训练时,大目标由于面积大往往分配到的正样本较多,而小目标的正样本数量较少,这会导致模型更加重视大目标的学习,对小目标的检测效果不好,针对FCOS的不同尺度目标分配的正样本不均衡的问题,本文在原正样本分配算法的基础上提出固定数量的random-k正样本分配算法,提高了模型对多尺度目标的检测精度。（3）目前的目标检测模型多尺度推理时,由于受到极大极小目标的干扰,容易出现误检和虚检,针对这一问题,本文提出基于多尺度推理的相对注意力模块,通过在训练时将两张不同分辨率的输入图像同时进行训练,同时将不同分辨率的两个分类分支乘以注意力模块输出的掩膜权重并求和一起计算损失,这样可以让模型自己学习如何更好地结合不同尺度下模型的预测结果,最后将该模块与基于逐像素预测的FCOS模型相结合,并在隧道病害数据集和COCO数据集上进行实验验证,改进的网络不仅总体精度有所提升,而且提高了模型对不同尺度目标的鲁棒性。

关键词：目标检测无先验框 FCOS 正样本分配多尺度推理

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

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

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：