检索结果-南通市图书馆

激光技术 2024年

作者：欧阳玉旋张荣芬刘宇红彭垚潘贵州大学大数据与信息工程学院

为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题，对YOLOv7-tiny进行改进，提出一种新的网络YOLOv7-ghost。首先，针对模型参数量大的问题，引入幽灵瓶颈代替部分池化操作和高效层聚合网络ELAN，大... 详细信息

为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题，对YOLOv7-tiny进行改进，提出一种新的网络YOLOv7-ghost。首先，针对模型参数量大的问题，引入幽灵瓶颈代替部分池化操作和高效层聚合网络ELAN，大幅度降低模型参数量；其次，通过构建一个全新的高性能轻量化模块C2f-GAM，综合考虑全局和局部特征信息，更好地捕捉节点的上下文信息，然后引入多尺度特征融合模块SPPF-GB，对特征进行重组和压缩以融合不同尺度的特征信息，增强特征的表达能力；最后在Head部分引入可变形卷积DCN，增强感受野的表达能力，以捕获目标周围更细粒度的目标结构和背景信息。经过对新网络的测试，改进后的模型参数量下降了20.33%，模型大小下降了18.70%，mAP@.5%和mAP@.5:.95%分别提升了1.2%和3.3%，在保证轻量化的同时检测精度得到了大幅度的提升，更利于室内场景目标检测算法实际应用的部署。

关键词：图像处理轻量化 ghost bottleneck C2f-GAM模块多尺度特征融合可变形卷积 YOLOv7-tiny

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的多工件抓取点定位方法

引用

激光与光电子学进展 2023年第12期60卷 301-311页

作者：安广琳李宗刚杜亚江康会峰兰州交通大学机电工程学院甘肃兰州730070 兰州交通大学机器人研究所甘肃兰州730070 北华航天工业学院航空宇航学院河北廊坊065000

针对工业生产线中多工件杂乱放置、互相遮挡,存在漏检、错检以及抓取点定位困难问题,提出一种基于协同深度学习的多工件抓取点定位方法。首先,以YOLOv5为基础网络,在输入端增加数据预处理模块用于图像增强时的角度变换,检测层增加特征... 详细信息

针对工业生产线中多工件杂乱放置、互相遮挡,存在漏检、错检以及抓取点定位困难问题,提出一种基于协同深度学习的多工件抓取点定位方法。首先,以YOLOv5为基础网络,在输入端增加数据预处理模块用于图像增强时的角度变换,检测层增加特征细化网络,通过旋转锚框实现旋转工件的识别定位,采用轻量化的ghost bottleneck模块代替主干网络中的bottleneckCSP模块,消除旋转锚框二次定位增加的时间成本,将融合后的特征图分别输入注意力机制模块,获取工件关键特征;其次,根据各工件检测框进行图像裁剪,将多工件检测近似转化为单工件检测;最后,求取工件质心,并结合旋转检测框的角度值确定抓取点。实验结果表明:所提方法有效解决了工件距离相近或互相遮挡时抓取点定位问题,且检测速度和精度均有明显优势,保证了工业场景中多工件检测的实时性。

关键词：机器视觉工件检测 YOLOv5旋转检测 ghost bottleneck 注意力机制

来源：

维普期刊数据库

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

HSKDLR:同类自知识蒸馏的轻量化唇语识别方法

引用

计算机科学与探索 2023年第11期17卷 2689-2702页

作者：马金林刘宇灏马自萍巩元文朱艳彬北方民族大学计算机科学与工程学院银川750021 图像图形智能信息处理国家民委重点实验室银川750021 北方民族大学数学与信息科学学院银川750021

针对唇语识别模型的识别率较低和计算量较大的问题,提出一种同类自知识蒸馏的轻量化唇语识别模型(HSKDLR)。首先,提出关注唇部图像空间特征的S-SE注意力模块,用其构建提取唇部图像通道特征和空间特征的i-ghost bottleneck模块,以提升唇... 详细信息

针对唇语识别模型的识别率较低和计算量较大的问题,提出一种同类自知识蒸馏的轻量化唇语识别模型(HSKDLR)。首先,提出关注唇部图像空间特征的S-SE注意力模块,用其构建提取唇部图像通道特征和空间特征的i-ghost bottleneck模块,以提升唇语识别模型的准确率;其次,基于i-ghost bottleneck构建唇语识别模型,该模型通过优化瓶颈结构的组合方式降低模型计算量;然后,为提升模型准确率,减少模型运行时间,提出同类自知识蒸馏(HSKD)的模型训练方法;最后,使用同类自知识蒸馏方法训练唇语识别模型,并检验其识别性能。实验结果表明:与其他方法相比,HSKDLR具有更高的识别准确率和更低的计算量,在LRW数据集上的准确率达87.3%,浮点数运算量低至2.564 GFLOPs,参数量低至3.8723×107;同类自知识蒸馏可被应用于大多数唇语识别模型,帮助其有效提升识别准确率,减少训练时间。

关键词：唇语识别轻量化知识蒸馏自知识 ghost bottleneck

来源：

维普期刊数据库

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

基于改进YOLOX算法的垃圾分类方法研究

基于改进YOLOX算法的垃圾分类方法研究

引用

作者：李洋贵州大学

学位级别：硕士

近年来,我国对日常生活垃圾的分类处理问题越发重视,各大城市推出了相关政策。然而,现有垃圾分类算法存在网络计算量大、参数量大、难以嵌入移动端设备的缺点。因此,本文提出了基于改进YOLOX的轻量化方法。该方法旨在降低模型的参数量... 详细信息

近年来,我国对日常生活垃圾的分类处理问题越发重视,各大城市推出了相关政策。然而,现有垃圾分类算法存在网络计算量大、参数量大、难以嵌入移动端设备的缺点。因此,本文提出了基于改进YOLOX的轻量化方法。该方法旨在降低模型的参数量和计算量,以便移动端设备的嵌入。通过详细的实验对比和结果分析,证明了所提方法的有效性。主要研究内容如下:(1)提出改进的基于YOLOX模型的轻量化方法。首先,使用EIOU替换原来的IOU损失函数,克服正负样本不平衡的问题,提升检测精度;其次,在颈部网络引入CBAM注意力机制,对不同通道的权重重新分配,获取更多浅层的细粒度特征和深层的语义信息;最后,使用ghost bottleneck模块替换特征提取网络中的CSP模块,保留更多边缘VC信息,降低模型参数量。实验结果表明,参数量降低了12个百分点,精度提升了0.3个百分点。(2)提出基于深度可分离卷积的改进方法。首先,使用轻量化模块替换颈部网络的CSP结构,同时使用深度可分离卷积替换下采样时的普通卷积,降低参数量和计算量;其次,在检测头中使用解耦合,并使用深度可分离卷积替换原来的两次普通卷积;最后,在主干网络引入改进的CA注意力模块。实验结果表明,改进模型在检测精度没有下降的情况下,参数量降低了37个百分点,计算量降低了40个百分点。

关键词： YOLOX 注意力机制 ghost bottleneck 深度可分离卷积损失函数

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

基于改进YOLOv5的车辆与行人目标识别方法

引用

中国测试 2023年第7期49卷 82-88页

作者：张青春吴峥周玲刘晓洋淮阴工学院自动化学院江苏淮安223001

为改进无人驾驶技术部署困难问题,该文提出一种基于YOLOv5的目标识别算法。算法引入ghost bottleneck模块,CBAM模块,将网络参数压缩,减少模型整体的计算量,同时提升模型推理速度;将原始模型CIoU损失函数替换为α-IoU损失函数,使得模型... 详细信息

为改进无人驾驶技术部署困难问题,该文提出一种基于YOLOv5的目标识别算法。算法引入ghost bottleneck模块,CBAM模块,将网络参数压缩,减少模型整体的计算量,同时提升模型推理速度;将原始模型CIoU损失函数替换为α-IoU损失函数,使得模型训练过程中更快收敛;用DWConv层替代原有网络中Neck部分的Conv层,可大大降低网络参数数量以及运算成本,同时可提取不同大小的特征信息,提升模型在物体识别方面的鲁棒性。实验证明,原始模型的参数量为7095906,权重文件为14.4 MB,mAP@0.5达到86.11%,检测速度为30.30 f/s;改进后模型参数量缩减为2546136,参数量减少了64.12%,权重文件为5.8 MB,权重文件大小减小了59.72%,mAP@0.5达到89.44%,检测速度提升至40.00 f/s,检测速度提升了32.01%。将改进后的模型部署至RK3399嵌入式移动端,算法识别速度较原始算法提升了约35.04%。

关键词：无人驾驶目标检测 YOLOv5 ghost bottleneck CBAM α-IoU

来源：

维普期刊数据库

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

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

在线全文

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

在线全文

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：