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
共找到5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：
YOLO-K模型多目标检测算法研究 被引量：1
1
作者 葛雯 王嘉利 《电脑与信息技术》 2021年第2期27-30,共4页
针对图像中目标过多、相似以及有遮挡的情况,提出了一种改进传统YOLO v3算法的新算法。首先,为了使改进的算法可以更准确的检测小尺度目标,在原算法的网络中增加浅层特征提取层,然后,为了提高大尺度目标的检测精度,在大尺度特征提取层... 针对图像中目标过多、相似以及有遮挡的情况,提出了一种改进传统YOLO v3算法的新算法。首先,为了使改进的算法可以更准确的检测小尺度目标,在原算法的网络中增加浅层特征提取层,然后,为了提高大尺度目标的检测精度,在大尺度特征提取层上增加输出层,得到改进的YOLO-K模型,并通过数据集进行测试验证。实验结果表明,YOLO-K模型在检测有遮挡、多目标、光线较暗图像的目标时,相较于YOLO v3算法,检测精度有明显的提高。 展开更多
关键词 多目标检测 YOLO-K模型 特征提取层
下载PDF
基于深度学习方法和RGB影像的玉米雄穗分割 被引量：1
2
作者 余汛 王哲 +4 位作者 景海涛 金秀良 聂臣巍 白怡 王铮 《浙江大学学报（农业与生命科学版）》 CAS CSCD 北大核心 2021年第4期451-463,共13页
为检验深度学习方法对不同品种玉米雄穗在不同生育时期的分割精度和稳定性,利用2019年7月—9月于河南省新乡市中国农业科学院试验基地内采集的RGB影像,通过构建以轻量级网络为特征提取层的PspNet、DeepLab V3+、SegNet和U-Net 4种模型,... 为检验深度学习方法对不同品种玉米雄穗在不同生育时期的分割精度和稳定性,利用2019年7月—9月于河南省新乡市中国农业科学院试验基地内采集的RGB影像,通过构建以轻量级网络为特征提取层的PspNet、DeepLab V3+、SegNet和U-Net 4种模型,比较不同模型对玉米雄穗分割精度的差异。结果显示:U-Net模型对不同生育时期玉米品种的雄穗分割精度最高(m IoU=0.780)。该模型在玉米雄穗不同生长阶段的分割精度总体上较好(mIoU=0.703~0.798),其中在完全抽雄期的分割精度最高(mIoU=0.798);U-Net模型对不同玉米品种的雄穗分割精度差异明显,但对所有玉米品种雄穗的平均分割精度较高(mIoU=0.749),其中对郑单958(ZD958)的分割精度最高(m IoU=0.814)。表明U-Net模型对玉米雄穗分割具有较好的普适性与鲁棒性,为今后玉米表型试验中对雄穗的监测提供了一种有效的方法。 展开更多
关键词 RGB影像 深度学习 特征提取层 玉米雄穗 分割
下载PDF
基于YOLOv2的行人检测方法研究 被引量：10
3
作者 刘建国 罗杰 +1 位作者 王帅帅 关挺 《数字制造科学》 2018年第1期50-54,59,共6页
针对传统基于人工提取行人特征鲁棒性差,漏检率高的问题,借鉴目标检测的研究成果YOLOv2算法,提出基于YOLOv2网络的行人检测方法。该方法在YOLOv2网络之前加入底层特征提取层,选择LBP纹理特征作为底层特征提取层算子进行预处理,将行人背... 针对传统基于人工提取行人特征鲁棒性差,漏检率高的问题,借鉴目标检测的研究成果YOLOv2算法,提出基于YOLOv2网络的行人检测方法。该方法在YOLOv2网络之前加入底层特征提取层,选择LBP纹理特征作为底层特征提取层算子进行预处理,将行人背景差异转化为纹理差异,突出行人特征,然后根据行人在图片中呈现高宽比相对固定,对数据集目标框聚类分析得出最优anchor个数及维度,微调网络参数,训练得到最优模型。在INRIA行人数据集上进行试验,结果表明,该模型在行人检测中漏检率明显优于传统HOG+SVM、Faster-RCNN以及直接应用YOLOv2的方法,在INRIA数据集上误检率为10-1时,漏检率仅为9.26%。 展开更多
关键词 行人检测 YOLOv2 底层特征提取层 LBP特征 聚类分析
原文传递
基于改进YOLOv3的小尺度车辆目标检测算法
4
作者 石春鹤 张浩楠 《沈阳大学学报（自然科学版）》 CAS 2024年第3期213-220,F0003,共9页
针对交通卡口车辆目标检测时,距离卡口相机相对较远的小目标车辆检测结果存在误检、漏检、精度低等问题,提出对原始YOLOv3目标检测模型的加强特征提取网络层进行增加的改进方法,并将YOLOv3原始损失函数进行优化,动态地调整不同尺度检测... 针对交通卡口车辆目标检测时,距离卡口相机相对较远的小目标车辆检测结果存在误检、漏检、精度低等问题,提出对原始YOLOv3目标检测模型的加强特征提取网络层进行增加的改进方法,并将YOLOv3原始损失函数进行优化,动态地调整不同尺度检测框的比重。在6组不同像素数据集上进行了模型择优对比实验,实验结果表明:特征提取层设定为5层的YOLOv3-5L模型,随着图像分辨率的提升,在收敛速度与小目标检测精度方面都取得了最优的效果,在2400×2400像素下,YOLOv3-5L模型的平均精确值达到了96.5%,比原始YOLOv3网络提升了2.0%。 展开更多
关键词 车辆目标检测 YOLOv3 加强特征提取层 损失函数 小目标检测
下载PDF
基于改进YOLOv5的安全帽佩戴检测算法
5
作者 周华平 郭依文 孙克雷 《安徽理工大学学报（自然科学版）》 CAS 2022年第3期99-108,共10页
针对现有的安全帽佩戴检测算法难以有效地检测小目标、重叠和遮挡目标的错检、漏检等问题,提出了一种基于改进YOLOv5的安全帽佩戴检测算法。首先,在主干网络增加了一层有效特征提取层更容易检测小目标,同时对颈部原有的特征金字塔结构... 针对现有的安全帽佩戴检测算法难以有效地检测小目标、重叠和遮挡目标的错检、漏检等问题,提出了一种基于改进YOLOv5的安全帽佩戴检测算法。首先,在主干网络增加了一层有效特征提取层更容易检测小目标,同时对颈部原有的特征金字塔结构进行改进,使特征融合得到加强,提升了对小目标检测的准确性;其次,在主干网络中引入了有效通道注意力机制模块(ECA-Net),更容易获取小目标的关键信息,增强了模型对小目标检测的性能;最后,引入CIOU-NMS替换NMS使得网络既考虑到预测框和真实框之间的重叠面积,还考虑到两个框之间的中心点的距离和宽高比,解决了对重叠和遮挡目标的错检、漏检问题。实验结果证明,改进后的算法平均检测精度(MAP)达到了97.2%,较原始YOLOv5算法提升了3.8%,满足施工场景下对安全帽佩戴检测准确率的要求。 展开更多
关键词 YOLOv5 有效特征提取层 特征金字塔结构 注意力机制模块 非极大值抑制(NMS)
下载PDF
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
使用帮助 返回顶部