针对现有X光安检图像中违禁物品检测精度低的问题,基于YOLOv5s(you only look once version 5 small)提出了一种改进的违禁物品检测算法。利用重参数思想设计了一种Rep模块以协助YOLOv5s主干网络提取更多特征信息,在不增加推理时间的基...
详细信息
针对现有X光安检图像中违禁物品检测精度低的问题,基于YOLOv5s(you only look once version 5 small)提出了一种改进的违禁物品检测算法。利用重参数思想设计了一种Rep模块以协助YOLOv5s主干网络提取更多特征信息,在不增加推理时间的基础上提高算法检测精度。同时,在YOLOv5s颈部的路径聚合网络中插入2个通道注意力机制压缩-激励模块,加强通道间的相关性,提高整体网络的检测效果。在SIXray数据集上的实验结果表明,在不增加检测时间的基础上,改进的YOLOv5s算法比原始算法在平均精度均值(mAP)、宏精确率(macro precision)、宏召回率(macro recall)和宏F1(macro-F1)这4个评价指标上分别提升了2.6、2.0、4.0和3.0个百分点。
针对深度学习中对任意形状文本检测准确率不高的问题,提出了一种结合特征金字塔网络(feature pyramid network,FPN)和内核尺度扩展算法的文本检测网络模型。特征金字塔网络能够提取卷积层中更加鲁棒的特征,融合后生成不同尺度的特征内核;内核尺度扩展算法将生成的最小特征内核逐渐扩展为包围完整文本实例的特征图。同时为了针对自然场景中难以检测的文本实例,在训练阶段加入了在线难例挖掘(online hard example mining,OHEM)的方法,并以迁移学习的方式采用2种不同训练策略进行训练。仿真结果表明,该算法模型在不同数据集上具有良好的检测性能。
暂无评论