期刊导航
期刊开放获取
cqvip
退出
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进YOLOv4的无人机目标检测方法
被引量：
12
1
作者
田港
张鹏
+1 位作者
邹金霖
赵晓林
《空军工程大学学报（自然科学版）》
CSCD
北大核心
2021年第4期9-14,共6页
针对无人机平台由于内存、算力有限而导致检测模型部署困难、检测速度降低的问题,提出了一种基于YOLOv4的改进模型。首先,为了减小模型内存占用、节省计算资源,根据目标尺寸特点,对YOLOv4原模型的预测层进行了改进,将三尺度检测模型改...
针对无人机平台由于内存、算力有限而导致检测模型部署困难、检测速度降低的问题,提出了一种基于YOLOv4的改进模型。首先,为了减小模型内存占用、节省计算资源,根据目标尺寸特点,对YOLOv4原模型的预测层进行了改进,将三尺度检测模型改进为双尺度检测模型;其次,对双尺度检测模型进行正常训练,然后将其BN层的缩放因子进行稀疏训练,最后通过裁剪一定比例的通道数以再次减小模型内存占用提升检测速度。实验分析表明,在与原模型检测效果基本一样的情况下,最终改进模型的内存占用减少了60%,仅103 M,FPS提升了35%,达到了58帧/s。
展开更多
关键词
无人机
目标
检测
YOLOv4
中小
目标
双尺度检测模型
通道裁剪
下载PDF
职称材料
基于FPGA的Faster-RCNN改进算法实现目标检测
被引量：
2
2
作者
胡晶晶
《现代计算机》
2021年第30期82-87,共6页
为实现较小目标低分辨率的精确实时测量,提出了基于Faster-RCNN目标检测的改进算法,通过结合特征提取阶段的较浅层卷积神经网络的小感受野目标特征,实现目标检测的精细化。同时将模型的全连接层替换为卷积层,结合FPGA优良的并行处理性能...
为实现较小目标低分辨率的精确实时测量,提出了基于Faster-RCNN目标检测的改进算法,通过结合特征提取阶段的较浅层卷积神经网络的小感受野目标特征,实现目标检测的精细化。同时将模型的全连接层替换为卷积层,结合FPGA优良的并行处理性能,实现算法的加速处理,并在Small Object Dataset[13]数据集上进行实验验证,取得了较优的性能,与改进前的算法相比,准确度和速度都有较大提升,将提出的目标检测方法应用到实际的中小目标低分辨率识别定位场景是可行的。
展开更多
关键词
改进的Faster-RCNN
FPGA
CNN加速
中小
目标
检测
低分辨率
下载PDF
职称材料
题名
基于改进YOLOv4的无人机目标检测方法
被引量：
12
1
作者
田港
张鹏
邹金霖
赵晓林
机构
空军工程大学装备管理与无人机工程学院
出处
《空军工程大学学报（自然科学版）》
CSCD
北大核心
2021年第4期9-14,共6页
基金
国家自然科学基金(61703422)。
文摘
针对无人机平台由于内存、算力有限而导致检测模型部署困难、检测速度降低的问题,提出了一种基于YOLOv4的改进模型。首先,为了减小模型内存占用、节省计算资源,根据目标尺寸特点,对YOLOv4原模型的预测层进行了改进,将三尺度检测模型改进为双尺度检测模型;其次,对双尺度检测模型进行正常训练,然后将其BN层的缩放因子进行稀疏训练,最后通过裁剪一定比例的通道数以再次减小模型内存占用提升检测速度。实验分析表明,在与原模型检测效果基本一样的情况下,最终改进模型的内存占用减少了60%,仅103 M,FPS提升了35%,达到了58帧/s。
关键词
无人机
目标
检测
YOLOv4
中小
目标
双尺度检测模型
通道裁剪
Keywords
UAV
target detection
YOLOv4
small target
two-scde detection model
channel pruning
分类号
V279 [航空宇航科学与技术—飞行器设计]
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于FPGA的Faster-RCNN改进算法实现目标检测
被引量：
2
2
作者
胡晶晶
机构
东北大学计算机科学与工程学院
出处
《现代计算机》
2021年第30期82-87,共6页
文摘
为实现较小目标低分辨率的精确实时测量,提出了基于Faster-RCNN目标检测的改进算法,通过结合特征提取阶段的较浅层卷积神经网络的小感受野目标特征,实现目标检测的精细化。同时将模型的全连接层替换为卷积层,结合FPGA优良的并行处理性能,实现算法的加速处理,并在Small Object Dataset[13]数据集上进行实验验证,取得了较优的性能,与改进前的算法相比,准确度和速度都有较大提升,将提出的目标检测方法应用到实际的中小目标低分辨率识别定位场景是可行的。
关键词
改进的Faster-RCNN
FPGA
CNN加速
中小
目标
检测
低分辨率
Keywords
digital watermark
wavelet packet
adaptive
feature of texture
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TP183 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进YOLOv4的无人机目标检测方法
田港
张鹏
邹金霖
赵晓林
《空军工程大学学报（自然科学版）》
CSCD
北大核心
2021
12
下载PDF
职称材料
2
基于FPGA的Faster-RCNN改进算法实现目标检测
胡晶晶
《现代计算机》
2021
2
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
