检索结果-南通市图书馆

基于图模型与注意力机制的室外场景点云分割模型

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

计算机应用 2023年第12期43卷 3911-3917页

作者：廉飞宇张良王杰栋靳于康柴玉湖北大学资源环境学院武汉430062 区域开发与环境响应湖北省重点实验室(湖北大学) 武汉430062 浙江省第二测绘院杭州310012

针对在多对象且空间拓扑关系复杂的室外场景环境中相似地类区分难的问题,提出一种结合图模型与注意力机制模块的A-Edge-SPG(Attention-EdgeConv SuperPoint Graph)图神经网络。首先,利用图割和几何特征结合的方法对超点进行分割;其次,... 详细信息

针对在多对象且空间拓扑关系复杂的室外场景环境中相似地类区分难的问题,提出一种结合图模型与注意力机制模块的A-Edge-SPG(Attention-EdgeConv SuperPoint Graph)图神经网络。首先,利用图割和几何特征结合的方法对超点进行分割;其次,在超点内部构造局部邻接图,从而在捕获场景中点云的上下文信息的同时利用注意力机制模块凸显关键信息;最后,构建超点图(SPG)模型,并采用门控循环单元(GRU)聚合超点和超边特征,实现对不同地类点云间的精确分割。在Semantic3D数据集上对A-Edge-SPG模型和SPG-Net(SPG neural Network)模型的语义分割效果进行比较分析。实验结果表明,相较于SPG模型,A-Edge-SPG模型在总体分割精度(OA)、平均交并比(mIoU)和平均精度均值(mAA)上分别提升了1.8、5.1和2.8个百分点,并且在高植被、矮植被等相似地类的分割精度上取得了明显的提升,改善了相似地类间语义分割的效果。

关键词：语义分割室外场景局部特征注意力机制模块局部邻接图图模型

融合高分辨率光学影像与低分辨率地形栅格数据的深度学习滑坡识别方法研究

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合高分辨率光学影像与低分辨率地形栅格数据的深度学习滑坡识别...

作者：谢奇材西南交通大学

学位级别：硕士

频发的滑坡为人民财产安全造成了巨大损失。如何快速地进行滑坡识别检测对受灾评估和灾后重建具有十分重要的意义。随着多源遥感影像数据的日益丰富,使用计算机自动化处理高分辨率遥感影像能够实现更加快速的滑坡识别检测,极大弥补了人... 详细信息

频发的滑坡为人民财产安全造成了巨大损失。如何快速地进行滑坡识别检测对受灾评估和灾后重建具有十分重要的意义。随着多源遥感影像数据的日益丰富,使用计算机自动化处理高分辨率遥感影像能够实现更加快速的滑坡识别检测,极大弥补了人工实地踏勘的不足,同时使用深度学习方法进行滑坡的自动化识别也解决了人工选取特征的局限性。目前自动化滑坡识别方法往往基于高分辨率光学影像数据或高分辨率地形数据。由于不同类型的数据具有不同的特点,使用单一数据无法充分地对滑坡进行检测。因此部分学者尝试将高分辨率光学影像数据与高分辨率地形栅格数据相融合来进行滑坡的识别与检测,以充分发挥不同数据的优势。虽然这种方式能够有效地提取滑坡特征,但是对地形栅格数据的分辨率和质量要求却相对较高,使用的地形数据往往是高分辨率DEM数据或其衍生数据。由于获取这种高分辨率地形数据的成本较高,因此使用高分辨率光学影像数据和高分辨率地形栅格数据相融合来进行滑坡识别与检测的相关研究较少。低分辨率地形栅格数据具有免费开源的特性,是一种能够很好地应用于滑坡等特殊地物识别的数据源。利用深度学习方法,通过融合高分辨率光学影像数据与低分辨率地形栅格数据来进行滑坡识别能够有效结合两种数据所表达的光学特征信息与地形几何信息,非常适合于滑坡的自动化识别与检测。但目前针对这两种类型数据相融合的研究较少,主要是以下两个原因所导致:1)地形栅格数据与光学影像数据之间异质性较大,通过简单的方式很难进行有效的融合,且低分辨率地形栅格数据与高分辨率光学影像之间的分辨率差异较大,更加增大了融合的难度;2)开源平台所提供的地形数据与光学影像数据很难保证卫星拍摄的时间点对应一致。针对以上所面临的问题,本文提出了基于卷积神经网络的深度学习模型,该模型通过融合高分辨率光学影像数据和低分辨率地形栅格数据来进行滑坡的识别。具体而言,本文的研究内容和成果可以总结为:（1）通过对多种开源平台和数据进行综合分析,合理选取拍摄时间点一致的地形栅格数据与高分辨率光学影像数据。其次讨论坡度、坡向、曲率、相对高程等地形因子的特点及对滑坡识别的影响程度,确定了以这四种因子为基础,对其标准化后再以通道叠加的方式作为模型的输入数据,使得模型能够兼顾各种地形数据的特点,并自动权衡不同地形因子的影响力大小。（2）设计了融合高分辨率光学影像数据与低分辨率地形栅格数据的卷积神经网络模型。在该模型中,特征提取部分包含两个分支,分别用于提取地形几何特征和光学影像特征。其次通过设计不同数据源类别的softmax融合模块来对两种数据进行加权融合,使得模型在训练过程中能够自动决策不同类型数据的贡献值大小。同时为了解决实验区内小型滑坡较多,且形状各异的问题。本文在模型中引入了空间感知池化（SAP）模块,该模块能够将浅层特征层中的重点信息引入深层特征层中,使得模型在训练的过程中能够充分顾及不同尺度的特征信息。通过实验结果分析可知,相较于仅使用光学影像作为输入数据的经典语义分割网络模型而言,本文所提出的方法在滑坡检测的各项指标上均有明显提升,其滑坡识别的准确率、召回率、F1分数和kappa值分别为85.19%,83.13%,84.15%和83.62%。通过与其他经典语义分割网络进行对比,两项指标均得到了较大提升,相较于经典模型中表现优异的DeepLab-V3+模型而言,其准确率提升3.2%,召回率提升1.3%、F1得分提升2.2%,和kappa值提升2.3%。因此,本文所提出的方法能够较好地适应于滑坡识别与检测中,具有一定的应用价值。

关键词：卷积神经网络注意力机制模块融合地形特征空间感知池化

结合视觉注意力机制和深度学习的图像分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合视觉注意力机制和深度学习的图像分类方法研究

作者：李宇涛长沙理工大学

学位级别：硕士

随着时代的发展与医疗水平的提高,医疗机构会定期更换先进的医学影像设备,伴随而来的则是医学影像数据的井喷式增长。培养一名专业的医学影像医生周期较长,所以当前行业内存在供不应求的问题。胸部X射线检查与计算机断层扫描(CT)检查在... 详细信息

随着时代的发展与医疗水平的提高,医疗机构会定期更换先进的医学影像设备,伴随而来的则是医学影像数据的井喷式增长。培养一名专业的医学影像医生周期较长,所以当前行业内存在供不应求的问题。胸部X射线检查与计算机断层扫描(CT)检查在肺部疾病的辅助诊断中起到了非常重要的作用,而人工阅片工作存在主观性强,耗时长,医生疲劳时易出错等问题。因此,提出一套基于深度学习的肺部影像智能识别方法是十分必要的。与一般的自然图像不同,新冠肺炎X射线图像和肺癌CT图像均具有类别间相似度高的特点,这种数据特性增大了图像分类任务的难度。针对该数据特点,本文提出了两种基于注意力机制的图像分类方法:1.提出了基于多尺度通道特征融合网络MCFF-Net的新冠肺炎胸部X射线图像分类方法。该部分将注意力机制与深度卷积神经网络进行结合,提出了并行通道注意力特征融合模块PCAF,并基于该模块搭建了 MCFF-Net网络模型。配合不同深度和分类器,共提出了 9种网络模型。本文在公共图像数据集的基础上搭建了三分类数据集Dataset-A和四分类数据集Dataset-B,用于验证模型的有效性。经实验验证,MCFF-Net针对新冠肺炎胸部X射线图像具有良好的分类表现,超越了一系列经典深度学习模型与同领域的其他研究方法。2.提出了基于MCFF-SRM-Net的肺癌CT图像分类方法。为验证MCFF-Net在不同类型图像数据集上的分类性能,本文采用公共数据集Chest CT-Scan Images Datasets进行有效性验证。同时本文引入了基于风格的重新校准模块SRM,基于软性注意力机制的特性,将其穿插在MCFF-Net模型中,提高模型对于图像风格特征的学习能力。经过实验验证,MCFF-SRM-Net在肺癌CT图像分类任务中同样具有优秀的分类性能,达到了较高的分类精度。这也证明了 MCFF-Net在图像分类任务中有着良好的表现。

关键词：图像分类肺部图像深度卷积神经网络注意力机制模块

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的夜间车辆检测算法研究

基于深度学习的夜间车辆检测算法研究

作者：刘星星长安大学

学位级别：硕士

车辆检测算法研究是目前深度学习领域中的热点问题之一,也是交通流预测、车牌识别、车辆跟踪等应用研究的基础。在采用车辆检测算法的复杂场景和环境中,尤其是夜间车辆检测,车辆图像清晰度低,特征提取困难,使得车辆检测性能欠佳。本文... 详细信息

车辆检测算法研究是目前深度学习领域中的热点问题之一,也是交通流预测、车牌识别、车辆跟踪等应用研究的基础。在采用车辆检测算法的复杂场景和环境中,尤其是夜间车辆检测,车辆图像清晰度低,特征提取困难,使得车辆检测性能欠佳。本文以实际夜间道路场景中的行驶车辆为研究对象,利用深度学习中的卷积神经网络构建夜间车辆检测模型,完成夜间车辆的有效识别检测。在实际行驶过程中,驾驶员或智能车通过车载设备准确、实时的车辆检测结果可以获取前方道路上的车辆信息,并做出正确的驾驶决策,从而避免或减少交通事故发生的风险。针对夜间车辆检测模型的精度要求,本文提出的夜间车辆检测算法首先根据夜间车辆图像的特殊性,对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果。其次针对先验框的选取采用K-means++算法,并利用交并比距离对先验框进行聚类,使得模型收敛较快,检测效果更好。接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息,提高网络的特征提取能力,进而提升模型检测效果。最后针对训练时数据集难易样本不平衡的问题,在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使得模型可有效衰减难易样本,训练效果良好,收敛较快。针对夜间车辆检测模型的实时性要求,首先将加强特征提取网络里面的普通卷积全部更改为深度可分离卷积,同时模型给每个通道引入缩放因子,并与该通道输入相乘。其次将缩放因子正则项和权重损失函数联合进行稀疏正则化训练,此时选择较小的缩放因子进行通道剪枝,剪枝后模型的部分通道缺失,检测性能会降低。接着通过模型微调来弥补精度损失,并经过性能评估后再进行修剪迭代。最后得到一个轻量化的车辆检测模型,使其在检测精度降低少许的基础上同时最大程度的缩减参数量及模型体积,使检测速度更快,更能满足夜间车辆检测的实时性需求。经过在UA-DETRAC数据集的实验与对比分析可知,本文提出的夜间车辆检测算法的精度可达98.75%,同时每秒处理帧数高达36帧图像。相比之下目前已有最优算法的精度只有96.59%,每秒处理帧数也只有25帧图像,由此验证了本文算法的有效可行性。

关键词：夜间车辆检测深度学习卷积神经网络注意力机制模块梯度均衡机制深度可分离卷积

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的室外停车场车位检测研究

基于深度学习的室外停车场车位检测研究

作者：张卓阳长安大学

学位级别：硕士

室外停车场车位检测研究是目前深度学习的热点问题之一,也是城市交通管理、车位检测、车辆检测等研究的重要基础。在实际场景中由于室外多变的天气环境或者不同障碍物遮挡,导致室外停车位检测变得相当困难。随着智慧停车系统和停车场管... 详细信息

室外停车场车位检测研究是目前深度学习的热点问题之一,也是城市交通管理、车位检测、车辆检测等研究的重要基础。在实际场景中由于室外多变的天气环境或者不同障碍物遮挡,导致室外停车位检测变得相当困难。随着智慧停车系统和停车场管理系统的快速发展,深度学习为停车位检测提供了新的技术方案。本文主要针对在复杂的室外场景下,对停车场车位检测展开研究。本文以提升日间室外停车场车位检测精度为目标,考虑到在室外情况下,图像中很多小目标车位检测较为困难,所以本文在SSD算法基础上进行了改进。首先,对输入图像进行超采样和数据扩增处理,可以在原图像中生成更多的小目标,提升模型训练效果;其次,将SSD模型的VGG16主干特征提取网络更换为残差网络,避免了随着网络层数的加深从而发生的梯度问题;最后,为了增强图像中小目标车位的特征提取效果,为主干特征提取网络引入了金字塔拆分注意力模块(PSA),PSA模块能够提取特征图中多尺度的空间信息并与通道注意力模块进行结合,使特征图产生像素级别的关注能力。将PSA模块和残差网络结合的EPSANet能够有效地聚焦于小目标车位,而且PSA模块所采用的分组卷积方式不会增加代价。本文又以提升夜间室外停车场车位检测精度为目标,针对夜间场景相比于日间检测性能不佳的问题,采用一种融合模型来提升夜间车位检测精度。通过“知识蒸馏”的方式将一个夜间图像增强模型和改进的YOLO v4目标检测模型进行融合,融合后的模型可以在没有夜间图像训练集的情况下完成夜间图像车位检测,通过实验对比,融合模型比其他检测模型有着更高的检测精度。

关键词：室外车位检测深度学习卷积神经网络注意力机制模块知识蒸馏

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的赖氨酸琥珀酰化位点预测研究

基于机器学习的赖氨酸琥珀酰化位点预测研究

作者：吴跟强景德镇陶瓷大学

学位级别：硕士

蛋白质翻译后修饰(PTMs)是调节蛋白质功能的重要机制,使得蛋白质类型更多样、结构更复杂以及功能更完善,在生物学过程和信号通路中发挥着不可替代的作用。近年来,赖氨酸琥珀酰化修饰被发现是一种新型PTMs,能够引起蛋白质特性的改变,对... 详细信息

蛋白质翻译后修饰(PTMs)是调节蛋白质功能的重要机制,使得蛋白质类型更多样、结构更复杂以及功能更完善,在生物学过程和信号通路中发挥着不可替代的作用。近年来,赖氨酸琥珀酰化修饰被发现是一种新型PTMs,能够引起蛋白质特性的改变,对蛋白质结构和功能影响显著。琥珀酰化位点的准确识别对于研究蛋白质细胞功能以及相关疾病的病理研究具有重要意义。由于传统生物实验方法成本高、效率低且实验过程复杂,很难在短时间内获取大量的位点修饰信息,并且现有的计算方法对于预测琥珀酰化位点的效果不佳,有必要开发预测性能更好的计算方法。本文针对以上问题,运用机器学习算法对琥珀酰化位点预测展开研究,主要研究内容包括以下几点:1.建立基于特征融合和Stacking集成学习的预测模型p Suc-FFSEA,通过EBGW、One-Hot、CBOW、CGR和AAF＿DWT提取序列特征和理化性质,应用LASSO方法选择最优特征子集,运用宽度学习、SVM、Light GBM和逻辑回归等机器学习算法构建Stacking集成分类器,对已发表文献中收集到的琥珀酰化位点数据集进行预测,预测准确率达到77.73%,AUC为0.8501。与其它先进模型对比结果表明,本文建立的模型p Suc-FFSEA具有更强的泛化性能。2.建立基于密集卷积块与注意力机制模块的预测模型p Suc-EDBAM,采用OneHot来获取蛋白质序列的特征图,并通过一维CNN生成低级特征图。在特征学习过程中,利用密集卷积块获取不同层次特征信息。同时引入通道注意力机制模块评估不同特征的重要程度。最后使用Softmax分类器对琥珀酰化位点进行预测。结果表明,独立测试集下预测准确率达到74.25%,AUC达到0.8201。与其它先进模型对比发现,p Suc-EDBAM具有更佳的预测性能,并基于同一测试集对模型p Suc-FFSEA和p Suc-EDBAM进行对比测试,结果表明模型p Suc-EDBAM更具优势。3.为了给研究人员提供便利,本文结合Python的Web应用框架Flask基于模型p Suc-EDBAM开发了琥珀酰化位点在线预测平台,可以从https://*** ***/p Suc-EDBAM/网址访问,该预测平台提供了单条蛋白质序列预测和文件批处理预测两种预测方式,并在网站中提供了用户指南,通过此平台,研究人员可以便捷地实现潜在的琥珀酰化位点预测。

关键词：翻译后修饰琥珀酰化特征融合 Stacking集成特征图密集卷积块注意力机制模块

基于深度学习的糖尿病视网膜病变分级筛查系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的糖尿病视网膜病变分级筛查系统

作者：沈海谊南昌大学

学位级别：硕士

糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病患者容易出现的眼部并发性疾病,需要在早期确诊和医治才能避免对患者视力造成影响。DR的诊断方式有许多种,而眼底照相检查相比其他检查更加直观和简便,眼底相机设备费用也相对低廉,... 详细信息

糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病患者容易出现的眼部并发性疾病,需要在早期确诊和医治才能避免对患者视力造成影响。DR的诊断方式有许多种,而眼底照相检查相比其他检查更加直观和简便,眼底相机设备费用也相对低廉,是最适合用在糖尿病视网膜病变诊断的方式。现阶段对糖尿病视网膜病变的诊断基本依靠眼科医生对眼底图像的肉眼观察,检查准确性依赖眼科医生的医术。但是医生的人工诊断难以满足数量庞大的糖尿病人群的需求,且长时间检查容易疲劳,影响疾病判断的准确性。基于这个原因,若能借助计算机辅助诊断的方法帮助医生完成大规模的DR图像分析与分类,不仅可以节省大量的人力资源,更为糖尿病患者实施DR普查提供必备的基础条件。本文将探讨建立一个基于深度学习的糖尿病视网膜病变图像自动分类网络。按临床上对糖尿病视网膜病变不同等级划分的图像进行分类,对输入的眼底照相机拍摄的糖尿病视网膜病变图像进行分类测试,选出性能最优的分类网络。本文选取深度学习的Res Net及Efficient Net V2两种模型基于迁移学习训练并测试糖尿病视网膜病变图像分类的效果。针对糖尿病视网膜病变图像特点,为加强模型对病变图像特征的分类性能,本文除了研究不用深度的残差网络和不同参数的Efficient Net V2网络的分类效果外,提出了针对DR图像特点添加注意力机制,提升特征提取能力,以验证注意力机制对不同网络的优化作用。最后探索所得模型在临床上辅助诊断糖尿病视网膜病变的可行性。通过实验结果得出,在糖尿病视网膜病变图像分类上,Res Net及Efficient Net V2两种网络均能有较好的性能,注意力机制的添加在增强图像特征提取能力,提高模型分类的性能上效果明显。本文测试添加通道注意力机制的残差模型图像分类准确率达到90.4%,精确率达到90.8%,召回率达到91.0%;本文测试添加空间注意力机制模块的Efficient Net V2模型对图像的分类准确率达到89.3%,精确率达到89.6%,召回率达到90.2%。改进的Res Net模型和Efficient Net V2模型的工作特性曲线下面积分别为98.1%,97.7%。实验表明本文设计的模型在糖尿病患者的DR筛查中有着潜在的应用价值。

关键词：深度学习注意力机制模块卷积神经网络糖尿病视网膜病变

基于SAW-CGAN网络的图像风格化方法研究

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SAW-CGAN网络的图像风格化方法研究

作者：丁梦园河北工业大学

学位级别：硕士

图像之间不同风格的转换是图像处理领域的一个热点问题。所谓的图像风格化就是通过将艺术类图片的风格属性加入到普通图像的属性中,在保留普通图像原始内容的同时达到风格变换的目的。传统方法计算缓慢,操作复杂,基于神经网络的算法模... 详细信息

图像之间不同风格的转换是图像处理领域的一个热点问题。所谓的图像风格化就是通过将艺术类图片的风格属性加入到普通图像的属性中,在保留普通图像原始内容的同时达到风格变换的目的。传统方法计算缓慢,操作复杂,基于神经网络的算法模型在生成图像的多样性上超过了传统方法,目前常用的算法有CNN网络和GAN网络,虽然在训练对称数据集时能很好地解决多种风格变化的问题,但对称数据集不多,对非对称数据集进行训练的网络生成的图像准确度不高,而且训练复杂的数据所需的时间长,占据的内存多。所以针对训练非对称图像的网络如何缩短训练时间和提高生成图的准确性提出一种基于Cycle GAN的改进网络SAW-CGAN(Self-Attention-wct Cycle Generative Adversarial Networks)。主要工作是在Cycle GAN网络的基础上做出如下改进:1.生成器的改进:(1)为减少网络提取特征时的计算量,提出将编码器的传统卷积层改为深度可分离卷积层(Depthwise Separable Convolution,DSC),通过改变计算方式降低内存损耗,从而加快模型训练速度。(2)为提高网络生成图像质量,提出结合上色与白化转变模块(White and Color Transform,WCT)和注意力机制(Class Activation Map,CAM)去处理卷积层提取完的特征,并在残差块中间增加自适应层实例标准化(Adaptive Layer-Instance Normalization,Ada ILN),有助于协助注意力机制更准确地掌控图像的纹理走向。通过消融实验验证本文提出的方法能保留更多有效信息,消除无用信息,提高提取特征的能力,从而达到提高生成图片质量的目的。2.判别器的改进:为配合生成器的热图机制及防止梯度消失,将判别器改为CAM+多层卷积组成的网络,并结合新学习机制(Two Timescale Update Rule,TTUR)方法动态调整学习率,通过消融实验验证改进的判别器能有效提高网络的性能。将SAW-CGAN网络应用到三个公开的非对称数据集(动物类、地图类以及艺术类)上,并与其他方法(Dual GAN、GDWCT、UGATIT)进行比较。结果表明在对生成图的清晰度和多样性以及特征提取方面的评估上,SAW-CGAN网络在三个数据集训练的效果均都优于其他网络,在速度和质量上都有一定的提高。

关键词：生成对抗网络图像风格迁移注意力机制模块 WCT 可分离卷积网络

基于改进YOLOv5的安全帽佩戴检测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进YOLOv5的安全帽佩戴检测算法研究

作者：郭依文安徽理工大学

学位级别：硕士

建筑行业属于一种劳动密集且工作环境复杂,安全事故多发的一项行业。由于施工场景较为复杂,现有的安全帽佩戴检测算法存在两方面的问题,一方面是对小目标检测的精确性低,以及重叠、遮挡目标错检和漏检等问题。另一方面是算法模型难以有... 详细信息

建筑行业属于一种劳动密集且工作环境复杂,安全事故多发的一项行业。由于施工场景较为复杂,现有的安全帽佩戴检测算法存在两方面的问题,一方面是对小目标检测的精确性低,以及重叠、遮挡目标错检和漏检等问题。另一方面是算法模型难以有效移植到计算资源相对受限的设备上。因此,为了能够解决现有的安全帽佩戴检测算法所遇到的问题,本文在YOLOv5算法的基础上进行了相应的改进。本文的主要工作包括:第一,针对安全帽佩戴检测场景中,目标较小以及重叠、遮挡目标的错检和漏检等问题,提出了一种改进YOLOv5的安全帽佩戴检测算法E-YOLOv5。改进点主要有:(1)在骨干网络增加一层有效特征提取层,使算法可以更容易检测到小目标。(2)改进原有的特征金字塔结构,使特征融合得到加强,提升了对小目标检测的准确性。(3)引入DIOU-NMS替换NMS,解决了对重叠、遮挡目标的错检和漏检问题。第二,针对E-YOLOv5算法模型难以有效移植到计算资源相对受限的设备上问题,在E-YOLOv5算法的基础上进一步改进得到算法E-YOLOv5-tiny。改进点主要有:(1)使用Shuffle Net V2网络作为基本骨干网络,使得网络的特征提取过程得以轻量化。(2)在骨干网络中引入改进后的注意力机制模块,保证了检测的精确性。实验结果表明,E-YOLOv5算法平均检测精度(mean Average Precision,m AP)达到了96.7%,较原始YOLOv5算法提升了3.3%,满足施工场景下对安全帽佩戴检测精确性的要求。E-YOLOv5-tiny轻量化算法具有较小的模型体积和足够的检测精确性,更适合于部署到一些计算资源受限的设备上进行使用。图[32]表[6]参[57]

关键词： YOLOv5 有效特征提取层特征金字塔结构非极大值抑制(NMS) 轻量化模型 ShuffleNetV2网络注意力机制模块