检索结果-内蒙古大学图书馆

现代电子技术 2025年第9期48卷 143-153页

作者：王娟敏皮建勇黄昆胡伟超胡倩贵州大学计算机科学与技术学院公共大数据国家重点实验室贵州贵阳550000

为了解决行人和车辆检测任务中由于多尺度和遮挡现象导致漏检的问题,文中提出一种基于YOLOv8的改进检测算法RDRFM-YOLO。对于主干网络,设计RFDRep模块替代卷积和C2f模块,以加强网络对于不同尺度特征的捕获能力;对于颈部网络,设计SFMS模... 详细信息

为了解决行人和车辆检测任务中由于多尺度和遮挡现象导致漏检的问题,文中提出一种基于YOLOv8的改进检测算法RDRFM-YOLO。对于主干网络,设计RFDRep模块替代卷积和C2f模块,以加强网络对于不同尺度特征的捕获能力;对于颈部网络,设计SFMS模块进行优化,以提升模型对遮挡目标的特征提取能力。在自制的行人和车辆数据集上的实验表明,改进的RDRFM-YOLO相较于原始算法有更好的性能表现,同时保持了高效的检测效率。mAP@0.5达到了56.7%,mAP@0.5:0.95达到了37.3%,相比于原始算法分别提高了2.8%和2.3%,参数量和浮点运算量为3.3×10^(6)和9.2×10^(9),相比于原始算法仅增加了0.1×10^(6)和0.3×10^(9)。同时,模型在多个数据集上均有较好的性能表现。

关键词：行人和车辆检测多尺度遮挡 RDRFM-YOLO RFDRep模块 SFMS模块

来源：评论

学校读者我要写书评

暂无评论

机器人视觉中行人和车辆检测算法的研究

引用

机械设计与制造 2023年第10期392卷 277-280页

作者：高瑞贞李树楠李晓辉河北工程大学机械与装备工程学院河北邯郸056000

对车辆和行人进行快速且准确的检测是机器人视觉和自动驾驶领域的一个难题,为了解决这个难题,提出一种基于深度学习网络的行人车辆检测算法,这是一种端到端的单阶段检测方法。主要使用多级跳跃连接网络和多级特征融合网络。多级跳跃链... 详细信息

对车辆和行人进行快速且准确的检测是机器人视觉和自动驾驶领域的一个难题,为了解决这个难题,提出一种基于深度学习网络的行人车辆检测算法,这是一种端到端的单阶段检测方法。主要使用多级跳跃连接网络和多级特征融合网络。多级跳跃链接网络在特征提取阶段避免了反向传播过程中的梯度消失、爆炸和退化等优化问题,从而提高检测精度和模型的收敛速度。多级特征融合网络对来自不同层次的多尺度特征变化尺度后进行特征信息融合,可以提取到比较低层的信息以提高算法的精度。这里的算法在多个公开的数据集上进行实验,实验结果表明,与目前的一些主流算法相比,行人和车辆的平均检测精度大幅提高,在精度提高的情况下,具有更快的检测速度,有较高的应用潜力。

关键词：机器人视觉人工智能深度学习目标检测行人和车辆检测

来源：评论

学校读者我要写书评

暂无评论

基于YOLO的行人和车辆检测的算法研究

基于YOLO的行人和车辆检测的算法研究

引用

作者：邵永斌沈阳理工大学

学位级别：硕士

随着全球经济的快速蓬勃发展和生活水平持续提升,汽车的使用量呈现快速增长的趋势,同时交通事故的发生率也同步上升。为了在一定程度上降低交通事故的发生,采用辅助驾驶和无人驾驶技术的智能汽车应运而生并逐渐发展。而在此项技术中,对... 详细信息

随着全球经济的快速蓬勃发展和生活水平持续提升,汽车的使用量呈现快速增长的趋势,同时交通事故的发生率也同步上升。为了在一定程度上降低交通事故的发生,采用辅助驾驶和无人驾驶技术的智能汽车应运而生并逐渐发展。而在此项技术中,对行人和车辆的有效检测是其重中之重。目前行人和车辆检测技术仍存在一些问题:复杂环境下目标检测精度低、小目标漏检率高、检测速度慢等。鉴于此,本文对YOLOv5s网络进行优化改进,首先对KITTI数据集进行预处理,并将其标签分为三类:Car、Pedestrians和Cyclists。然后提出了一种密集行人和车辆检测算法,来增强模型对密集和小目标行人和车辆的检测精度。最后,在保证检测精度的情况下,基于Ghost模块来对网络模型进行轻量化,构来降低模型的参数量,加快模型检测速度。具体的改进内容如下: 1、网络颈部引入SK注意力机制,增强特征提取能力,提升检测精度。 2、颈部采用加权双向特征金字塔网络(BiFPN)进行特征融合增强对不同尺度的行人和车辆的检测能力。 3、在网络的预测段引入小目标检测层同时补充融合特征层,增强小目标的语义信息和特征表达能力进一步提高小目标检测精度。 4、引入了ECIOU损失函数加快网络模型的收敛速度,然后采用轻量化卷积GSConv对上述网络进行细颈操作,在一定程度上降低网络的参数量。 5、基于Ghost模块设计轻量化结构CSPGhostNeTV2Bottle Neck来提高网络的检测速度。实验结果表明,相比原YOLOv5s网络模型,改进后的网络模型的平均精确度mAP＿0.5增加了8.1%,达到89.3%。经过轻量化处理后的网络,其参数量相对于原网络降低了5.1M,FPS升高了14.8f/s,极大加快了网络的检测速率速度。

关键词：行人和车辆检测 SK注意力机制特征融合 GSConv卷积 BottleNeck结构

来源：评论

学校读者我要写书评

暂无评论

多尺度特征融合改进YOLOv3网络的行人和车辆检测

多尺度特征融合改进YOLOv3网络的行人和车辆检测

引用

作者：王国文南京邮电大学

学位级别：硕士

行人和车辆检测是计算机视觉中细分研究方向之一,广泛应用于视频监控、智能机器人等领域。针对城市场景中行人和车辆的检测问题,本文重点研究了卷积神经网络提取的多尺度特征利用和目标检测中边框(Bounding Box,BBox)回归,提出改进YOLOv... 详细信息

行人和车辆检测是计算机视觉中细分研究方向之一,广泛应用于视频监控、智能机器人等领域。针对城市场景中行人和车辆的检测问题,本文重点研究了卷积神经网络提取的多尺度特征利用和目标检测中边框(Bounding Box,BBox)回归,提出改进YOLOv3网络的行人和车辆检测方法。针对多尺度目标的检测问题,本文充分利用卷积神经网络(CNN)的多尺度特征研究了一种多尺度特征转换迁移融合的YOLOv3网络,以提高图像中多种尺度目标的检测准确度。首先,基于YOLOv3网络采用STDN算法的尺度转换模块对低层级特征图进行缩小,构造特征重用的主干网络提取特征。然后,采用尺度转换模块对高层级特征图进行放大,构建特征金字塔网络(Feature Pyramid Network,FPN)预测目标。在公开数据集MSCOCO上,该网络有效改善原YOLOv3网络因遮挡和目标较小导致的误检和漏检问题,各类别目标实验结果的精度均有提升。针对目标检测的定位和分类两大任务,本文提出基于置信度优化和级联BBox回归的检测模型。受two-stage目标检测模型Cascade R-CNN的启发,本文在one-stage目标检测模型基础上采用级联BBox回归方法。该方法通过设置递增的IOU(intersection over union)阈值,多阶段训练回归BBox,明显改善时间上不能匹配最佳的IOU值,检测的BBox偏差问题。同时,根据类间目标属性规律特征做置信度优化,以减少违背统计规律的误检。该方法基于现实场景中目标类别总是相互依存的这一先验规律,首先构造了相关系数矩阵和指数归一化的类间目标属性规律特征,然后利用这些特征在检测阶段优化目标的置信度打分。这一置信度优化方法利用客观存在的规律作为信息应用于目标检测,对目标检测效果有略微的提升。针对城市场景中行人和车辆检测问题,本文提出基于多尺度特征融合YOLOv3网络和级联BBox回归的行人和车辆检测模型。首先,考虑了遮挡、光线、场景等影响检测的因素,构建了有效的行人和车辆数据集,并采用类别平衡采样的方法解决了样本不平衡问题。然后,为加快训练模型收敛速度,降低漏检概率,采用K-means聚类优化方法选取先验框。最后,利用多尺度特征融合YOLOv3网络和级联BBox回归的模型对行人和车辆训练和检测。实验结果表明,本文基于改进YOLOv3网络的行人和车辆检测方法是可行且有效的,具有深远的参考价值。

关键词：目标检测 YOLOv3 行人和车辆检测 Cascade R-CNN K-means聚类

来源：评论

学校读者我要写书评

暂无评论

城市交通环境下的行人和车辆检测

城市交通环境下的行人和车辆检测

引用

作者：涂媛雅重庆理工大学

学位级别：硕士

随着智能交通系统技术的发展,在城市交通环境下通过深度学习技术检测行人和车辆是智能交通系统最基础的组成部分,能保证行人和车辆的安全,在一定程度上避免交通事故的发生。但行人和车辆检测技术仍存在一系列问题:城市交通环境复杂度高... 详细信息

随着智能交通系统技术的发展,在城市交通环境下通过深度学习技术检测行人和车辆是智能交通系统最基础的组成部分,能保证行人和车辆的安全,在一定程度上避免交通事故的发生。但行人和车辆检测技术仍存在一系列问题:城市交通环境复杂度高、行人和车辆检测速度慢无法满足实时性要求、行人和车辆检测精度低等。鉴于此,本文先研究网络模型轻量化,通过对Tiny YOLOv3网络优化改进,提出一种轻量级行人和车辆检测算法,在保持网络检测精度的情况下,使模型变小,加快检测速度。然后再从提高模型的检测性能角度出发,对特征提取层、预测层和非极大值抑制算法进行优化,以提高密集行人和车辆检测精度。主要研究工作如下:1、数据集处理,采用自动驾驶相关公开数据集KITTI,针对本文主要的检测目标行人和车辆,通过简单处理将标签分为三类:Car、Pedestrians和Cyclists。2、基于Bottle Neck、组卷积和深度可分离卷积设计两种轻量化的卷积结构分别为:改进的Bottle Neck和DPRConv,能够降低网络的参数量并且在一定程度上丰富提取的特征。3、提出轻量级检测网络Lite YOLOv3,在Tiny YOLOv3特征提取网络中,采用卷积替代池化进行下采样,避免网络特征信息的损失。然后使用改进的Bottle Neck替换Tiny YOLOv3网络第9层,DPRConv替换第11、12、14、18层,能够进一步降低网络的参数量,满足行人和车辆检测实时性需求。4、特征增强路径,在Lite YOLOv3网络中使用的特征金字塔结构中加入特征增强路径,保证浅层的信息更多地保留,提升小目标的检测能力,从而提高Lite YOLOv3的检测性能。5、预测分支解耦,通过对Lite YOLOv3的检测头进行解耦,分别预测行人和车辆的分类和定位信息,同时在预测定位分支中添加Io U分支,使得定位更加准确。预测分支解耦能够加快模型的收敛速度,同时也能提升模型的性能。6、DS NMS算法,在KITTI数据中存在较多密集行人和目标,为了降低密集目标的漏检率,结合DIo U NMS和Set NMS两者的优势,提出DS NMS算法,加入检测框中心点距离和单个检测框预测一个集合的目标,能够保证模型筛选出最佳检测框,提高密集行人和车辆检测精度。

关键词：行人和车辆检测轻量化卷积特征增强预测分支解耦 DS NMS算法

来源：评论

学校读者我要写书评

暂无评论

基于膨胀卷积和视觉注意的目标检测及应用

基于膨胀卷积和视觉注意的目标检测及应用

引用

作者：平安南京邮电大学

学位级别：硕士

作为场景理解的重要组成部分,目标检测技术在智能安防、工业制造和军事探测等领域有着广泛的应用。近年来,随着计算机算力的提升和神经网络的应用,多种算法被相继提出,这极大地促进了目标检测技术的发展。然而,实际应用场景复杂多变,目... 详细信息

作为场景理解的重要组成部分,目标检测技术在智能安防、工业制造和军事探测等领域有着广泛的应用。近年来,随着计算机算力的提升和神经网络的应用,多种算法被相继提出,这极大地促进了目标检测技术的发展。然而,实际应用场景复杂多变,目标或小而稠密,或尺度变化大,或相互高度遮挡。这些因素会对检测性能产生影响,最终导致错检和漏检的现象。针对上述问题,本文使用YOLOv3网络作为主要检测框架,结合膨胀卷积和视觉注意机制,提出改进方案。主要工作如下:(1)针对目标尺度变化大导致检测性能降低的问题,提出基于膨胀卷积和特征图融合的YOLOv3网络。首先,利用膨胀卷积在不同扩张率下呈现不同感受野的特点,构建并行多分支膨胀卷积模块,改进骨干网络Darknet53,使得提取的特征包含更丰富的信息。其次,通过对网络输出特征进行上采样和张量拼接,增加浅层特征图数量,用于提升小目标检测精度。最后,在数据集COCO上进行对比实验。结果表明,改进后的网络能够有效改善检测效果,各类目标检测精度明显提高。(2)针对特征图中特征不平衡影响检测效果的问题,提出基于视觉注意的特征平衡YOLOv3网络。首先,通过上采样和下采样整合特征金字塔输出的特征图。其次,使用非局部模块和挤压激励网络构建通道非局部单元,从空间域和通道域获取特征之间的远距离依赖关系,增强目标的上下文信息。再次,恢复特征图原始大小以用于对不同尺度目标进行检测。最后,在数据集COCO上进行实验。结果表明,改进后网络的检测效果有明显改善。(3)针对实际应用场景中行人和车辆的检测问题,提出基于膨胀卷积和视觉注意的M-YOLOv3网络。首先,充分考虑天气、场景和光照度对目标检测的影响,创建具有城市特色的行人和车辆数据集NJPV。其次,针对数据集中样本不平衡的问题,使用类别均衡采样和焦点损失函数,分别从数据角度和算法层面对不平衡样本进行处理。最后,将检测模型应用于实际生活场景中。结果表明,M-YOLOv3网络能够有效降低复杂场景下行人和车辆检测的错检率和漏检率,具有较高的实际应用价值。

关键词： YOLOv3 膨胀卷积特征图融合注意力机制行人和车辆检测

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征融合的YOLO人车目标检测算法及实现研究

基于多尺度特征融合的YOLO人车目标检测算法及实现研究

引用

作者：田鹏程华中科技大学

学位级别：硕士

随着科学技术的不断创新与发展,汽车行业的生产力得到了稳健的提升。在改善人民生活水平的同时也带来了交通拥堵等尤为明显的负面影响。这无疑给出行人员及交通管理人员带来了巨大的困扰。为了改善这些现象,提出了智慧交通系统的概念。... 详细信息

随着科学技术的不断创新与发展,汽车行业的生产力得到了稳健的提升。在改善人民生活水平的同时也带来了交通拥堵等尤为明显的负面影响。这无疑给出行人员及交通管理人员带来了巨大的困扰。为了改善这些现象,提出了智慧交通系统的概念。车辆检测与行人检测作为智慧交通系统的核心组成部分,因其具有重大的现实意义,已成为目标检测学科火热的研究方向。近年来,目标检测领域迅速发展,日益成熟,为复杂交通场景下行人和车辆检测任务提供了有力的技术支持。针对城市交通场景复杂,且人车目标尺度变化大、数量多等特点,提出一种基于YOLO的人车目标检测算法,以YOLOv3网络为基础,优化网络模型,提高目标检测效果。采集山东省不同路段拍摄图片,通过对数据收集、标注、划分,构建了一个基于山东地区的交通环境数据集PVD2020,以更好的反应算法在真实交通场景中的应用效果。YOLOv3预测层尺寸偏大、特征提取不充分,导致预测结果不准确。为了解决这个问题,实现了一个包含5个不同尺度的特征融合网络结构,在增强特征表达能力的同时,形成多尺度预测网络,提高了网络检测效果。和原YOLOv3算法相比较,改进后的YOLOv3算法在PVD2020数据集上获得了更高的平均精确度(m AP)。使用训练好的模型实现了一个面向交通场景的人车检测系统,统计特定道路上的车流量、人流量以及车辆占有率三个指标判定道路的拥堵情况。最后从功能与效果两个方面对系统做了详细测试。基于多尺度特征融合的YOLO人车检测算法在PVD2020数据集上取得了一定的成效,充分证明了改进后算法的优越性。

关键词：深度学习智能交通监控行人和车辆检测 YOLOv3算法

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：