期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于YOLOv5s模型的边界框回归损失函数研究 被引量：6
1
作者 董恒祥 潘江如 +2 位作者 董芙楠 赵晴 郭鸿鑫 《现代电子技术》 北大核心 2024年第3期179-186,共8页
针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率... 针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。 展开更多
关键词 车辆检测 边界框回归损失函数 目标尺度 YOLOv5s CIoU SIoU Focal-EIoU WIoU
下载PDF
窗口锚定的偏移受限动态蛇形卷积网络航拍小目标检测
2
作者 张荣国 秦震 +2 位作者 胡静 王丽芳 刘小君 《模式识别与人工智能》 EI CSCD 北大核心 2024年第8期663-677,共15页
为了从小目标有限特征中获取关键的有效信息,提升小目标的定位能力和检测精度,文中提出窗口锚定的偏移受限动态蛇形卷积网络航拍小目标检测方法.首先,构造偏移受限动态蛇形卷积,在不同方位动态偏移,受限蛇形卷积核自适应地关注不同大小... 为了从小目标有限特征中获取关键的有效信息,提升小目标的定位能力和检测精度,文中提出窗口锚定的偏移受限动态蛇形卷积网络航拍小目标检测方法.首先,构造偏移受限动态蛇形卷积,在不同方位动态偏移,受限蛇形卷积核自适应地关注不同大小和形状的特征区域,使特征提取聚焦于微小局部结构,促进小目标特征的捕获.然后,采用双阶段多尺度特征融合方法,对不同层阶特征图进行特征对齐、融合和注入,增强底层细节信息与高层语义信息的融合,并强化不同尺寸目标信息传输,提高小目标的检测能力.与此同时,设计窗口锚定的边界框回归损失函数,基于辅助边界框和最小点距离进行边界回归,获得准确的回归结果,提高小目标的定位能力.最后,在3个航拍数据集上的实验表明,文中方法对小目标的检测性能有不同程度的改善和提高. 展开更多
关键词 小目标检测 特征提取 特征融合 多尺度特征 边界框回归损失函数
下载PDF
一种变电站设备表计缺陷图像识别方法
3
作者 陈永昕 杜镇安 +4 位作者 黎恒烜 张侃君 姚伟 龙昌武 滕捷 《湖北电力》 2024年第2期121-127,共7页
随着新一代变电站集中监控系统的建设和应用,海量巡视数据的汇集加速了人工智能在设备管控领域的应用,自动快速识别变电站设备缺陷对构建“无人值守+集中监控”变电运维新模式有重要意义。提出了一种基于改进型YOLOv9的识别方法,在YOLOv... 随着新一代变电站集中监控系统的建设和应用,海量巡视数据的汇集加速了人工智能在设备管控领域的应用,自动快速识别变电站设备缺陷对构建“无人值守+集中监控”变电运维新模式有重要意义。提出了一种基于改进型YOLOv9的识别方法,在YOLOv9的骨干网络层引入了基于跨空间学习的高效多尺度注意力机制(EMA)以提取变电站设备表计图像中小目标的关键特征,并引入了Inner-SIoU边框回归损失函数提高YOLOv9的收敛性和准确性。实验结果表明,该方法的准确率(P)、召回率(R)和平均精度(mAP)均优于基线方法。 展开更多
关键词 变电站 无人值守 集中监控 图像识别 表计 YOLOv9 注意力机制 边界框回归损失函数
下载PDF
基于密集小目标识别算法的港口安全帽与工作服识别
4
作者 祝绍嵩 韩卓成 《上海船舶运输科学研究所学报》 2024年第5期45-55,共11页
针对采用YOLOv5_6.0算法采集安全帽与工作服图像存在的目标密集、像素点小、像素色差小和检测难度大等问题,提出一种基于改进的YOLOv5_6.0算法的小目标检测算法。通过优化YOLOv5_6.0算法的边界框回归损失函数改善其对密集小目标特征信... 针对采用YOLOv5_6.0算法采集安全帽与工作服图像存在的目标密集、像素点小、像素色差小和检测难度大等问题,提出一种基于改进的YOLOv5_6.0算法的小目标检测算法。通过优化YOLOv5_6.0算法的边界框回归损失函数改善其对密集小目标特征信息的学习效果;通过增加1层特征提取层提升算法对小目标的检测效果;在算法主干部分添加全局注意力机制(Global Attention Mechanism,GAM)提升算法的整体检测效果;增加第二阶段复检算法对安全帽和工作服目标进行二次复验。在港口环境下采用该算法对包含安全帽和工作服的数据集进行训练,结果显示:改进算法相比原YOLOv5_6.0算法能使安全帽和工作服识别精度均值分别提升5.5%和5.3%;改进算法对安全帽和工作服的平均识别精确率分别达到97%和87%。研究表明,增加网络结构检测层和二阶段复验算法能提升密集场景下小目标识别的精确率和置信度,减少误检和漏检情况,有效满足港口环境下的安全帽和工作服检测需求。 展开更多
关键词 YOLOv5_6.0算法 边界框回归损失函数 第二阶段复验算法 港口困难场景检测 安全帽 工作服
下载PDF
改进YOLOv5s的车载红外图像目标检测 被引量：10
5
作者 宋甜 李颖 王静 《现代计算机》 2022年第2期21-28,共8页
针对车载红外图像分辨率低、目标小且细节模糊导致检测精度不高的问题,提出了一种基于改进YOLOv5s的目标检测网络。网络对SPP模块进行改进和添加,然后在骨干网络中嵌入了坐标注意力模块,将位置信息嵌入到通道注意力中,使得网络能够在更... 针对车载红外图像分辨率低、目标小且细节模糊导致检测精度不高的问题,提出了一种基于改进YOLOv5s的目标检测网络。网络对SPP模块进行改进和添加,然后在骨干网络中嵌入了坐标注意力模块,将位置信息嵌入到通道注意力中,使得网络能够在更大的区域上进行注意力,更多地关注重要的目标特征,提高模型的表现力。最后用EIOU边界框损失函数替换CIOU Loss,进一步提高网络的检测精度。在FLIR车载红外图像数据集的测试集上的实验表明,改进模型较YOLOv5s网络mAP@0.5值提升了3.4%,且几乎不影响检测速度和模型权重大小,满足体积小和轻量化的需求,适合部署到车载嵌入式系统中。 展开更多
关键词 目标检测 YOLOv5s SPP 坐标注意力机制 车载红外图像 边界框回归损失函数
下载PDF
面向内河航运安全监控的多尺度船舶图像目标识别方法 被引量：5
6
作者 张煜 康哲 +1 位作者 马杰 李斌 《大连海事大学学报》 CAS CSCD 北大核心 2022年第1期62-72,共11页
针对YOLOv3算法中IoU边界框回归损失函数对小尺度船舶预测框容易产生误识及漏识问题,利用目标预测框与真实框的最小闭包区域和关键点的归一化距离,提出一种新的损失函数MIoU,该损失函数可显著提升多尺度船舶目标预测框的回归速度及精度... 针对YOLOv3算法中IoU边界框回归损失函数对小尺度船舶预测框容易产生误识及漏识问题,利用目标预测框与真实框的最小闭包区域和关键点的归一化距离,提出一种新的损失函数MIoU,该损失函数可显著提升多尺度船舶目标预测框的回归速度及精度。实验表明:提出的YOLOv3-MIoU算法对六类船舶的识别精度均超过97%,mAP值达到98.44%;与采用其他损失函数方法相比,YOLOv3-MIoU在不同尺度及不同类型船舶识别中均具有较高的识别准确率,特别对渔船等小尺度船舶识别准确率较其他方法提升3%以上,可以达到内河航运安全监控的应用需求。 展开更多
关键词 内河安全监控 船舶目标识别 边界框回归损失函数 多尺度现象 深度卷积神经网络
原文传递
基于YOLOv3的农田鸟类目标检测算法 被引量：8
7
作者 潘语豪 危疆树 曾令鹏 《激光与光电子学进展》 CSCD 北大核心 2022年第2期502-510,共9页
针对近年来鸟类啄食对农业生产带来的损失,通过实时检测鸟类优化传统驱鸟器开关策略,提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进,将SE模块嵌入进主干网络的Darknet53网络中,关注不同通道特征... 针对近年来鸟类啄食对农业生产带来的损失,通过实时检测鸟类优化传统驱鸟器开关策略,提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进,将SE模块嵌入进主干网络的Darknet53网络中,关注不同通道特征的重要程度。采用自适应空间特征融合(ASFF)增强网络中特征金字塔网络(FPN)的特征融合,提升各尺度的检测能力。引入CIOU边界框回归损失函数,将预测框和目标框在有重叠甚至包含等情况考虑进去,使目标框回归变得更加准确和稳定。改进后的YOLOv3模型在自制鸟类数据集上的精度均值(AP)达到96.65%,单张图像检测耗时仅为0.058 s,相比于原YOLOv3模型在检测速度变化不大的情况下AP提高了2.54百分点。该改进方法能达到很好的实时性和更佳的检测精度,对农田防治鸟害优化驱鸟器开关策略提供依据。 展开更多
关键词 视觉光学 目标检测 YOLOv3 SE模块 特征融合 边界框回归损失函数
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部