检索结果-内蒙古大学图书馆

作者：余培东战略支援部队信息工程大学

学位级别：硕士

当前,基于深度学习的遥感影像目标检测是遥感影像处理领域的研究热点和难点,在民用领域和军事领域都具有重要意义。桥梁作为一类典型人工建筑物,在交通网络中起枢纽作用,快速准确地从遥感影像中检测桥梁目标,在最优路径选择、地理信息... 详细信息

当前,基于深度学习的遥感影像目标检测是遥感影像处理领域的研究热点和难点,在民用领域和军事领域都具有重要意义。桥梁作为一类典型人工建筑物,在交通网络中起枢纽作用,快速准确地从遥感影像中检测桥梁目标,在最优路径选择、地理信息系统更新以及武器精确制导等方面具有较强的应用价值。本文以遥感影像中的桥梁目标为研究对象,重点围绕单阶段目标检测的关键技术展开深入研究,旨在解决桥梁目标检测中效率和精度较低等缺陷,并取得了一定的研究成果。本文完成的主要工作总结如下:1.针对现有遥感影像目标检测中可用于深度学习模型训练的桥梁数据集不足的问题,通过图像切割和标签文件格式转换等数据处理,构建可用于模型训练检测的遥感影像桥梁数据集。2.针对经典单阶段目标检测算法YOLOv4在遥感影像桥梁目标检测任务中算法检测效率较低的缺陷,提出了一种轻量化遥感影像桥梁目标检测模型。首先在模型训练过程中使用多尺度训练和混合精度训练降低模型的训练成本,进而使用轻量化的Mobile Netv3骨干网络替换算法原始的CSPDark Net53骨干网络,最后在实验数据集中设计多组对照实验来验证算法性能。实验结果表明:模型训练策略优化在几乎不影响算法检测精度的前提下,能够有效降低模型的训练成本;使用轻量化骨干网络可以大幅度提高算法的检测效率,同时在检测难度较小的数据集中检测精度损失极小,但是在检测难度较高的数据集中检测精度损失明显。3.针对轻量化模型在桥梁目标检测精度方面的不足,提出了一种结合注意力机制和深度超参数化卷积的桥梁目标检测算法。通过嵌入注意力机制的方式加强算法骨干网络的特征提取能力,同时使用深度超参数化卷积替换算法原始卷积层,并设计多组对照实验来验证算法性能。实验结果表明:相比较于CBAM模块,SE模块在少量降低算法推理速度的前提下,获得了更高的检测精度提升;深度超参数化卷积在不降低算法推理速度的同时可以有效提高算法的检测精度;相比较SSD、Retina Net、YOLOv3和Center Net算法等,本文提出的算法在使用不同骨干网络情况下,获得了更优的检测效率和检测精度,可以在多种桥梁目标检测任务需求中得到应用。

关键词：遥感影像桥梁目标检测深度学习单阶段检测算法训练策略优化轻量化模型注意力机制

来源：评论

学校读者我要写书评

暂无评论

面向Anchor-Based单阶段目标检测算法的精度提升研究

引用

北京工业职业技术学院学报 2020年第4期19卷 10-15页

作者：单莉梁煜博北部战区海军参谋部山东青岛266000 北京联合大学北京100101

在基于深度学习的目标检测领域,借助图像特征提取技术的进步,可以使用锚框在图像的不同位置生成边框,通过提取边框区域特征进行边框位置回归。在实际训练过程中,发现基于anchor的单阶段检测方法存在精度不足的问题,经过分析总结将问题... 详细信息

在基于深度学习的目标检测领域,借助图像特征提取技术的进步,可以使用锚框在图像的不同位置生成边框,通过提取边框区域特征进行边框位置回归。在实际训练过程中,发现基于anchor的单阶段检测方法存在精度不足的问题,经过分析总结将问题划分为3类:样本分类不均衡;目标检测多尺度;优化目标与推论不一致。经过研究近年来的相关论文,归纳上述问题的有效解决办法,并且对同一类问题的解决办法进行对比分析,梳理出不同场景下的有效处理策略,同时为优化模型提供一定的解决思路。

关键词：深度学习目标检测单阶段检测算法基于锚框算法精度提升

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的轻量化目标检测算法

引用

系统工程与电子技术 2022年第9期44卷 2716-2725页

作者：宋爽张悦张琳娜岑翼刚李浥东北京交通大学计算机与信息技术学院北京100044 现代信息科学与网络技术北京市重点实验室北京100044 贵州大学机械工程学院贵州贵阳550025

深度卷积神经网络在各个领域都表现出很好的效果,与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题,提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNe... 详细信息

深度卷积神经网络在各个领域都表现出很好的效果,与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题,提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合,提升网络特征提取能力,并利用融合后的网络对原始YOLOv5的骨干网络进行重构,显著降低了网络的计算量和内存占用,同时,引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明,所提出的模型在保持检测精度的前提下,将参数量和模型尺寸降低了90%,计算量仅为原始模型的18%,实现了检测模型的轻量化,更有助于在计算资源有限和对实时性要求高的场景中部署。

关键词：目标检测卷积神经网络轻量化网络单阶段检测算法可变形卷积

来源：评论

学校读者我要写书评

暂无评论

基于YOLOv4-tiny的安全帽佩戴检测算法研究

基于YOLOv4-tiny的安全帽佩戴检测算法研究

引用

作者：刘超南京林业大学

学位级别：硕士

目标检测是计算机视觉领域的研究热点。当前,基于深度学习的目标检测技术是监控施工场地安全帽佩戴情况的重要手段,但施工现场光照变化较大、小目标较多,且存在遮挡的问题,为了解决这些问题,本文提出了改进后的单阶段检测算法YOLOv4-tin... 详细信息

目标检测是计算机视觉领域的研究热点。当前,基于深度学习的目标检测技术是监控施工场地安全帽佩戴情况的重要手段,但施工现场光照变化较大、小目标较多,且存在遮挡的问题,为了解决这些问题,本文提出了改进后的单阶段检测算法YOLOv4-tiny。随着嵌入式平台的发展,安全帽佩戴检测模型有了部署的要求,由于嵌入式平台存在计算资源受限等问题,将检测模型直接部署在平台上,检测的实时性会受到影响,本文在嵌入式平台上对模型进一步优化并部署,主要工作如下:1.在先验框的选取方面,YOLOv4-tiny中的K-means算法对于先验框聚类中心的选取方式是随机的,不利于模型的训练和收敛,本文使用了K-means++算法,让聚类实验生成的先验框更有利于安全帽数据集的训练;在特征的提取方面,YOLOv4-tiny模型的结构相对简单,提取到的特征信息不够充分,当画面中出现小目标较多、光线较暗的问题时,模型的检测效果不好,本文建立了CBAM＿CSP注意力残差块结构,在残差结构中添加CBAM注意力机制,提高目标特征的通道权重,减小无关信息的通道权重,有效解决了该问题;在候选框的筛选方面,YOLOv4-tiny中的NMS算法去除冗余框的方式相对简单,目标遮挡时容易出现漏检的现象,本文使用Softer-NMS算法对冗余框进行处理,选择出合适的候选框,能够有效降低目标由于遮挡造成的漏检概率。实验结果表明,改进后的YOLOv4-tiny模型的m AP值达到了78.5%,可以较好地完成检测任务。2.把该模型部署在嵌入式平台Jetson Nano上。考虑到平台的计算特点,对模型进行优化:为了简化模型的结构,减少一些计算量和参数量,本文提出了深度可分离卷积和线性瓶颈结构;由于直接将模型部署在平台上,它的检测实时性会受到影响,本文通过TensorRT对模型进行推理加速,大大提高了检测的实时性。实验结果表明,在模型经过轻量化处理后,再结合TensorRT,模型的检测准确度会降低一小部分,但是检测速度有了较大的提升。3.在Jetson Nano上测试优化后的安全帽佩戴检测模型。为了进一步测试优化后的模型,将其部署在平台上。使用USB摄像头和V4L2驱动完成数据的获取,并通过Gstreamer对数据进行编解码,实现了嵌入式平台下的安全帽佩戴检测系统。实验结果表明,该系统能够以76%的平均精度和25fps的帧率对安全帽的佩戴情况进行准确且快速的检测,能够满足大多数工作场景中安全帽佩戴检测的实际应用需求。

关键词：安全帽深度学习单阶段检测算法嵌入式

来源：评论

学校读者我要写书评

暂无评论

基于改进型YOLOv3的SAR图像舰船目标检测

引用

系统工程与电子技术 2021年第4期43卷 937-943页

作者：陈冬句彦伟南京电子技术研究所江苏南京210013

传统合成孔径雷达(synthetic aperture radar,SAR)图像目标检测的方法依赖于人工设计特征且易受复杂背景干扰,泛化能力较差。深度学习的方法可以自动提取特征且具有良好的抗干扰特性,对于未来雷达智能感知具有重要意义。不同于其他只能... 详细信息

传统合成孔径雷达(synthetic aperture radar,SAR)图像目标检测的方法依赖于人工设计特征且易受复杂背景干扰,泛化能力较差。深度学习的方法可以自动提取特征且具有良好的抗干扰特性,对于未来雷达智能感知具有重要意义。不同于其他只能对固定区域进行检测的常规卷积神经网络,本文提出一种改进型YOLOv3的SAR图像舰船目标检测方法,该方法基于舰船尺寸与形状自适应采样的可变形卷积、ResNet50变体特征提取器和ShuffleNetv2轻量化思想等设计YOLOv3模型。通过SSDD数据集验证,在检测效果方面,相较于原YOLOv3模型,平均精度从93.21%提高至96.94%,检测概率从95.51%提高至97.75%;在模型大小方面,轻量化设计模型仅为原YOLOv3模型的八分之一,可实现嵌入式的使用。

关键词：合成孔径雷达舰船检测单阶段检测算法可变形卷积卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于FCOS和YOLOv4的行人检测算法研究

基于FCOS和YOLOv4的行人检测算法研究

引用

作者：齐鹏宇常州大学

学位级别：硕士

行人检测是指在图像或者视频中检测行人对象,并标记出行人在图像或者视频中的相对位置。在实际场景下,由于行人目标偏小、行人间相互遮挡、行人被其他物体遮挡等情况的出现,使得行人检测具有极大的挑战性。行人检测在智能视频监控、车... 详细信息

行人检测是指在图像或者视频中检测行人对象,并标记出行人在图像或者视频中的相对位置。在实际场景下,由于行人目标偏小、行人间相互遮挡、行人被其他物体遮挡等情况的出现,使得行人检测具有极大的挑战性。行人检测在智能视频监控、车辆自动驾驶等领域有着广泛的应用,这也让行人检测成为一项热门的研究课题。本文在单阶段目标检测算法上,针对行人检测在实际检测场景下的难点,将算法进行改进,提高算法在行人检测任务上的性能。具体工作如下:(1)提出基于改进FCOS模型的拥挤行人检测算法。采用主干网络Vo VNet,并融合SENet提取行人特征,改进的主干网络可以更好的契合FCOS并提取更具判别性的行人特征。Vo VNet将行人特征重用,SENet中的SE模块可以在几乎不增加模型时间复杂度的情况下提高模型检测的精度。根据FCOS算法特点改进多尺度方法检测行人,检测拥挤行人或小目标行人时,FCOS存在检测精度不高、误检错检等情况,多尺度的改进可以增加特征金字塔网络中的特征层,利用新的特征层检测小目标行人,同时缩小其他特征层检测范围,提高了模型检测小目标行人和拥挤行人的精度。通过在Crowdhuman数据集上,改进后的FCOS算法平均准确率达到85.1%,丢失率降低到50.2%,说明本方法在行人检测的效果上有较好的提升;在Caltech数据集上平均准确率也有提升,证明本方法的鲁棒性较好。(2)在YOLOv4检测算法模型的基础上,针对行人检测中的难点做出改进,首先采用k-means++聚类算法计算出预设候选框尺寸,使其符合行人目标大小。引入排斥损失函数,候选框与临近的非匹配目标真实框距离最大化,使候选框和其他目标真实框的重叠比例最小化,从而提高模型检测行人之间互相遮挡的性能。在Crowdhuman和Caltech数据集上平均精度均有提升,丢失率均有降低,证明改进后YOLOv4方法的有效性。(3)将改进后的FCOS算法和YOLOv4算法均用Crowdhuman数据集训练,并用于实际场景下检测行人。本文对比了两种方法在Crowdhuman和Caltech数据集上的模型推理时间,证明两种方法的实时性较好,并且将改进后的YOLOv4算法用于分辨率1920*1080的视频下,运行速度达到每秒45帧,进一步证明该算法满足实际场景下实时行人检测的要求。

关键词：行人检测单阶段检测算法多尺度检测拥挤行人场景训练策略

来源：评论

学校读者我要写书评

暂无评论

基于注意力与自适应特征融合机制的小目标检测

引用

天津科技大学学报 2023年第4期38卷 54-61页

作者：任克营陈晓艳茆震苗霞陈志辉天津科技大学电子信息与自动化学院天津300222

随着无人机平台的发展,航拍小目标检测成为当下研究热点。为了更有效地解决航拍小目标检测存在的漏检、错检以及重复检测等问题,提出了一种基于注意力与自适应特征融合机制的小目标检测算法ST-YOLOX(small target-YOLOX)。本算法在CSPDa... 详细信息

随着无人机平台的发展,航拍小目标检测成为当下研究热点。为了更有效地解决航拍小目标检测存在的漏检、错检以及重复检测等问题,提出了一种基于注意力与自适应特征融合机制的小目标检测算法ST-YOLOX(small target-YOLOX)。本算法在CSPDarknet中融合了全局注意力模块(GC)以及可变形卷积(DC),增强主干网络对小目标特征的提取能力;采用四尺度自适应空间特征融合金字塔,抑制不同尺度之间的不一致信息,提升小目标特征表达的准确性;优化损失函数以及标签分配策略,提高算法检测精度。实验表明:ST-YOLOX在VisDrone-DET 2019数据集中的平均检测精度(mAP)为21.83%,比YOLOX-s模型提升了3.78%,比PPYOLOE-s模型提升了2.99%,比YOLOv5-s模型提升了6.21%。航拍结果证明,本文算法的小目标检测准确率得到显著提高。

关键词：无人机航拍单阶段检测算法小目标检测全局注意力机制 YOLOX 自适应特征融合

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：