检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于改进FCOS网络的自然环境下苹果检测

农业工程学报 2021年第12期37卷 307-313页

作者：龙燕李南南高研何梦菲宋怀波西北农林科技大学机械与电子工程学院杨凌712100 农业农村部农业物联网重点实验室杨凌712100 陕西省农业信息感知与智能服务重点实验室杨凌712100

为了快速识别和准确定位自然环境下苹果果实目标,提出了一种改进全卷积单阶段无锚框(Fully Convolutional One-Stage object detection,FCOS)网络的苹果目标检测方法。该网络在传统FCOS网络基础上,使用模型体积较小的darknet19作为骨干... 详细信息

为了快速识别和准确定位自然环境下苹果果实目标,提出了一种改进全卷积单阶段无锚框(Fully Convolutional One-Stage object detection,FCOS)网络的苹果目标检测方法。该网络在传统FCOS网络基础上,使用模型体积较小的darknet19作为骨干网络,将center-ness分支引入到回归分支上。同时提出了一种融合联合交并比(giou)和焦点损失(Focal loss)的损失函数,在提高检测性能的同时降低正负样本比例失衡带来的误差。首先,对田间采集的自然环境下的苹果图像进行数据增强和标注,使用darknet骨干网络提取图像特征,然后将不同尺度待检测目标分配到不同的网络层中进行预测,最后进行分类和回归,实现苹果目标的检测。该研究在计算机工作站上对不同光照条件、不同密集程度和不同遮挡程度的苹果果实进行检测试验,并与传统FCOS网络的检测结果进行对比分析。基于改进FCOS网络的检测准确率为96.0%,检测精度均值(mean Average Precision,mAP)为96.3%。试验结果表明,改进FCOS网络比传统FCOS网络的苹果检测方法在检测准确度上有提高,具有较强的鲁棒性。

关键词：目标识别算法苹果检测 giou 焦点损失 FCOS网络

面向交通标志的Ghost-YOLOv8检测算法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年第20期59卷 200-207页

作者：熊恩杰张荣芬刘宇红彭靖翔贵州大学大数据与信息工程学院贵阳550025

针对当前传统网络模型对交通标志识别精度低、检测不准确的问题,提出一种基于YOLOv8n优化、改进的Ghost-YOLOv8交通标志检测模型。使用GhostConv代替部分Conv,设计全新的C2fGhost模块代替部分C2f,减少了模型的参数量,提升了模型的检测性... 详细信息

针对当前传统网络模型对交通标志识别精度低、检测不准确的问题,提出一种基于YOLOv8n优化、改进的Ghost-YOLOv8交通标志检测模型。使用GhostConv代替部分Conv,设计全新的C2fGhost模块代替部分C2f,减少了模型的参数量,提升了模型的检测性能;在Neck部分添加GAM注意力机制模块,强化特征中的语义信息和位置信息,提高了模型的特征融合能力;针对检测小目标时尺度不一导致语义信息的丢失,添加小目标检测层,增强深层语义信息与浅层语义信息的结合;使用giou边界损失函数代替原损失函数,提升了网络的边界框回归性能。实验结果表明,改进的模型在中国交通标志检测数据集TT100K中的精确度(Precision)及平均精度均值(mAP)相较于原模型分别提高了9.5、6.5个百分点,模型的参数量及模型大小相比原模型分别降低了0.223×109、0.2 MB。综合说明,该模型在减少模型参数量及大小的同时提高了检测精度,显著优于对比算法,也满足边缘计算设备的要求,具有实际的应用价值。

关键词： YOLOv8 交通标志 GhostNet 全局注意机制(GAM) 小目标检测层 giou

FSG⁃YOLO:基于YOLOv8改进的轻量化月面障碍物检测算法

在线全文

学校读者我要写书评

暂无评论

载人航天 2024年第5期30卷 666-675页

作者：汤子旋张伟李俊麟陈思宇徐岩松刘然中国科学院沈阳自动化研究所机器人学国家重点实验室沈阳110016 中国科学院大学北京100049

为了提高月面障碍物检测的效率和准确性,提出了一种基于YOLOv8改进的轻量化陨石坑和月面岩石检测算法FSG⁃YOLO。首先,采用FasterNet作为主干网络,提升模型对于陨石坑和月面岩石的特征提取能力,同时减少模型参数量和计算量,提升检测速度... 详细信息

为了提高月面障碍物检测的效率和准确性,提出了一种基于YOLOv8改进的轻量化陨石坑和月面岩石检测算法FSG⁃YOLO。首先,采用FasterNet作为主干网络,提升模型对于陨石坑和月面岩石的特征提取能力,同时减少模型参数量和计算量,提升检测速度;然后,引入Si⁃mAM注意力机制模块,在不增加原始网络参数的同时提高模型的特征融合能力;最后,采用giou作为模型的损失函数,提高模型的识别准确率。实验结果表明:相较于原模型,FSG⁃YO⁃LO在自建月面障碍物数据集上的平均精度均值提升了4.0%,模型参数量减少了41.86%,计算量减少了38.27%,检测速度提高了19.99%。算法能够平衡精度和轻量化的需求,能有效适用于复杂空间环境下月面障碍物的检测。

关键词：月面障碍物检测 YOLOv8 轻量化注意力机制 giou

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

融合前景注意力的轻量级交通标志检测网络

电子测量与仪器学报 2023年第1期37卷 21-31页

作者：俞林森陈志国江南大学人工智能与计算机学院无锡214122 江南大学先进技术研究院无锡214122 江苏省模式识别与计算智能工程实验室无锡214122 江南大学模式识别与计算智能国际联合实验室无锡214122

针对目标检测算法模型在交通标志检测上容易出现错检和漏检等问题,提出一种融合前景注意力的轻量级交通标志检测网络YOLOT。首先引入SiLU激活函数,提升模型检测的准确率;其次设计了一种基于鬼影模块的轻量级骨干网络,有效提取目标物特征... 详细信息

针对目标检测算法模型在交通标志检测上容易出现错检和漏检等问题,提出一种融合前景注意力的轻量级交通标志检测网络YOLOT。首先引入SiLU激活函数,提升模型检测的准确率;其次设计了一种基于鬼影模块的轻量级骨干网络,有效提取目标物特征;接着引入前景注意力感知模块,抑制背景噪声;然后改进路径聚合网络,加入残差结构,充分学习底层特征信息;最后使用VariFocalLoss和giou,分别计算目标的分类损失和目标间的相似度,使目标的分类和定位更加准确。在多个数据集上进行了大量实验,结果表明,本文方法的精度优于目前最先进方法,在CCTSDB数据集上进行消融实验,最终精度达到98.50%,与基线模型相比,准确率提升1.32%,同时模型仅4.7 MB,实时检测帧率达到44 FPS。

关键词：交通标志检测激活函数前景注意力特征融合 VariFocalLoss giou

同方期刊数据库

Detection of Helmet Wearing Based on Improved Yolo v3

在线全文

学校读者我要写书评

暂无评论

Detection of Helmet Wearing Based on Improved Yolo v3

Ship detection based on Improved YOLO Algorithm

第40届中国控制会议

作者： Shengkai Li Lin Gao Yaobin Yue College of Automation and Electronic Engineering Qingdao University of Science and Technology

Aiming at the problem of helmet recognition in complex working environment,an improved Yolo v3 algorithm is *** backbone network of the improved Yolo v3 algorithm is the darknet-53 *** size is changed by changing the size of the convolution kernel,and the feature selection is performed by using the full convolution *** k-means++clustering algorithm is used to optimize the selection method of the anchor box to solve the problem of unstable initial *** is used as the bounding box coordinate regression loss in the design of the loss function,which solves the scale-sensitive problem of mean square error *** addition,Focal Loss is introduced to reduce the weight of simple background classes,so that the algorithm model is more focused on target ***,the algorithm is applied to the helmet wearing detection *** experimental results show that all the evaluation indexes of the improved algorithm model perform well and meet the accuracy requirements of practical application detection.

关键词： Yolo v3 kmeans++ loss function giou Focal Loss

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

Ship detection based on Improved YOLO Algorithm

一种基于改进的YOLOv3算法在粮虫小目标检测的应用

第40届中国控制会议

作者： Huixuan Fu Rui Zhang Xiangyun Ning Yuchao Wang College of Intelligent Systems Science and Engineering Harbin Engineering University

With the continuous development of marine economy,marine ship detection has a very wide application prospect To solve the problems of low ship detection accuracy and easy missing detection of small targets in complex marine environment,an improved YOLOv3 target detection algorithm is ***,before data training,the methods of image blending and small target enhancement are adopted to overcome the influence of complex environment background on target detection and the imbalance of small target data,and improve the network’s ability to extract image features and detect small targets during the training ***,the convolution in the original network is replaced by Octave convolution,which reduces the amount of calculation during network training and improves the detection speed of the network through image frequency *** the same time,giou loss function is introduced to alleviate the problems that the gradient is zero when the detection frames do not overlap,and IOU cannot distinguish the alignment of prediction frames and annotation data in different ways,thus improving the accuracy of detecting the target *** experimental results show that the mAP of the improved YOLOv3 algorithm on the self-made ship data set can reach 84.07%,and the improved algorithm is improved by 3.52% compared with the original algorithm,and the detection speed can reach 31.8 frames/s,which effectively improves the accuracy and speed of detecting ships at sea.

关键词： YOLOv3 Small target enhancement Octave convolution giou

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

中国粮油学报 2021年第10期36卷 159-165页

作者：吕宗旺金会芳甄彤孙福艳桂崇文河南工业大学信息科学与工程学院郑州450001 粮食信息处理与控制教育部重点实验室郑州450001

原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合giou算法的YOLOv3检测模型,一方面使用giou算法弥补IoU算法对于两个不相交box无法进行... 详细信息

原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合giou算法的YOLOv3检测模型,一方面使用giou算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用giou对损失函数进行优化,损失函数优化为giou损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1998张数据集进行数据增强,最终形成大小为9990张的数据集,并使用K-means聚类算法对自制数据集进行聚类分析,聚类出符合粮虫小目标检测的先验框。针对自制的9990张粮虫的数据集进行实验获得了99.43%的mAP和每幅图像0.040 s的检测速度,与原始YOLOv3模型相比,本文所提模型对于小目标的粮虫检测效果得到了很大的提升。

关键词：粮虫检测小目标 YOLOv3 giou K-means聚类

改进RetinaNet的遮挡目标检测算法研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2022年第11期58卷 209-214页

作者：阳珊王建胡莉刘波赵皓西南科技大学信息工程学院四川绵阳621010 深圳市朗驰欣创科技股份有限公司广东深圳518000 中国科学技术大学信息科学技术学院合肥230026

针对目标检测任务中目标实例密集、重叠等因素导致的检测精度不高的问题,提出一种改进回归损失函数与动态非极大值抑制的目标检测框架。采用结合排斥因子Rep的giou-Loss进行目标位置回归,在增加回归参数间相关性的同时降低候选边框向邻... 详细信息

针对目标检测任务中目标实例密集、重叠等因素导致的检测精度不高的问题,提出一种改进回归损失函数与动态非极大值抑制的目标检测框架。采用结合排斥因子Rep的giou-Loss进行目标位置回归,在增加回归参数间相关性的同时降低候选边框向邻近真值偏移概率。Rep-giou-Loss不仅有效提升目标位置回归精度,对目标遮挡情形也具有较好的鲁棒性。此外,增加稠密度预测分支预测目标被遮挡程度,并将遮挡程度预测值作为NMS方法的动态阈值,以减少漏检、虚检目标实例。实验结果表明,改进方法检测精度在PASCALVOC2007测试数据集上提高了1.3个百分点,自制数据集可提高2.8个百分点,验证了该方法的有效性。

关键词：目标检测遮挡 giou RetinaNet 非极大值抑制

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOX-S的交通标志识别

电子测量技术 2023年第1期46卷 112-119页

作者：刘凯罗素云上海工程技术大学机械与汽车工程学院上海201600

交通标志是车辆在规范行驶过程中的一个重要指导,交通标志识别是无人驾驶汽车环境感知中必不可少的重要内容。本文基于YOLOX-S算法进行改进,通过在主干网络末端添加CBAM注意力机制模块,强化特征提取网络所得到的特征;使用Focal Loss函数... 详细信息

交通标志是车辆在规范行驶过程中的一个重要指导,交通标志识别是无人驾驶汽车环境感知中必不可少的重要内容。本文基于YOLOX-S算法进行改进,通过在主干网络末端添加CBAM注意力机制模块,强化特征提取网络所得到的特征;使用Focal Loss函数,更好地消除正负样本不均衡问题,挖掘难例样本;使用giou损失函数,解决了原损失函数存在的优化不一致和尺度敏感的问题,进一步提高模型的识别准确率。本文基于TT100K数据集对提出算法进行了实验,对比了几种主流算法与本文算法的识别精度,实验结果表明在具有较高FPS的前提下,本文算法对大部分目标类别的检测精度都有所提升。相较于YOLOX-S模型,所提模型的coco精度评价指标mAP_50提升1.9%,mAP_50:95提升2.1%,FPS为35.6。证明了所做改进的有效性。

关键词： CBAM注意力机制 Focal Loss YOLOX-S giou