针对目前的行人检测方法无法在复杂环境下同时满足高准确率和高检测速度的问题,提出了基于改进YOLOv7(You Only Look Once version 7)的高效行人检测方法。首先,通过鬼影混洗卷积(GSConv)与VoVGSCSP(VoVNetGS Conv Cross StagePartial)...
详细信息
针对目前的行人检测方法无法在复杂环境下同时满足高准确率和高检测速度的问题,提出了基于改进YOLOv7(You Only Look Once version 7)的高效行人检测方法。首先,通过鬼影混洗卷积(GSConv)与VoVGSCSP(VoVNetGS Conv Cross StagePartial)构建Slim-Neck,前者使用混洗操作将普通卷积生成的信息渗透到可分离卷积的输出中,来实现通道间信息的交互,后者采用一次聚合方法设计了跨阶段部分网络,VoVGSCSP模块降低了计算量和网络结构的复杂性,并保持了足够的精度;其次,在YOLOv7输出部分引入卷积注意力模块(CBAM),利用通道注意力和空间注意力来捕获特征之间的相关性,从而优化YOLOv7的特征表示能力,提高方法的准确性和鲁棒性。实验结果表明:在多个行人数据集上,与YOLOv5和YOLOv7相比,改进的YOLOv7方法平均精度(AP)提升了1.63~3.51个百分点,对数平均缺失率(LAMR)降低了0.54~3.97个百分点;相较于YOLOv7平均检测速度提升10FPS;同时通过弗里德曼检验结果证实改进的YOLOv7方法可用于实际数据,有效地实现了复杂环境下高精度、快速的行人检测。
在基于深度学习的三维点云语义分割算法中,为了加强提取局部特征细粒度能力和学习不同局部邻域之间的长程依赖性,提出一种基于注意力机制和全局特征优化的神经网络。首先,通过加性注意力的形式设计单通道注意力(SCA)模块和点注意力(PA)模块,前者通过自适应调节单通道中各点特征加强对局部特征的分辨能力,后者通过调节单点特征向量之间的重要程度抑制无用特征并减少特征冗余;其次,加入全局特征聚合(GFA)模块,聚合各局部邻域特征,以捕获全局上下文信息,从而提高语义分割精度。实验结果表明,在点云数据集S3DIS上,所提网络的平均交并比(mIoU)相较于RandLA-Net(Random sampling and an effective Local feature Aggregator Network)提升了1.8个百分点,分割性能良好,具有较好的适应性。
暂无评论