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3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：
改进的YOLOv4⁃tiny行人检测算法研究 被引量：10
1
作者 周华平 王京 孙克雷 《无线电通信技术》 2021年第4期474-480,共7页
针对大型行人检测网络由于权重大、检测速度慢等原因无法直接应用到小型设备场景中的问题,提出3种改进YOLOv4⁃tiny的行人检测识别模型:①YOLOv4⁃tinye模型,在CSP(Cross Stage Partial Connections)网络中引入改进的ESA_CSP(Enhanced Spa... 针对大型行人检测网络由于权重大、检测速度慢等原因无法直接应用到小型设备场景中的问题,提出3种改进YOLOv4⁃tiny的行人检测识别模型:①YOLOv4⁃tinye模型,在CSP(Cross Stage Partial Connections)网络中引入改进的ESA_CSP(Enhanced Spatial Attention_CSP)结构,使网络更多关注有利于行人检测的特征信息;②YOLOv4⁃tinyr模型,在主干网络输出后增加多尺度特征融合模块(Ring⁃fenced Bodies,RFBs)结构,增大特征提取的感受野,重复利用特征图的多尺度信息;③同时融合ESA_CSP和RFBs结构的YOLOv4⁃tinyer模型。实验结果表明:3种改进行人检测模型在WiderPerson的验证集上,mAP分别达到了53.62%、53.80%和56.13%,FPS达到了86 ms、75 ms和69 ms。与原YOLOv4⁃tiny模型的行人检测结果(mAP:51.35%,FPS:77 ms)相比,3种模型检测精度分别提高了2.27%、2.45%和4.78%,且速度并未下降太多,依然满足轻量级特点,便于在小型设备上移植。 展开更多
关键词 yolov4⁃tiny 注意力机制 特征融合 感受野
下载PDF
复杂野外环境下油茶果快速鲁棒检测算法
2
作者 周浩 唐昀超 +3 位作者 邹湘军 王红军 陈明猷 黄钊丰 《现代电子技术》 2022年第15期73-79,共7页
为了提高移动采摘机器人在复杂野外环境下检测油茶果的速度和鲁棒性,在YOLOv4⁃tiny网络的基础上提出YOLO⁃Oleifera网络。首先将两个1×1和3×3的卷积核分别添加至YOLOv4⁃tiny网络的第2个和第3个CSPBlock模块之后,以有助于学习... 为了提高移动采摘机器人在复杂野外环境下检测油茶果的速度和鲁棒性,在YOLOv4⁃tiny网络的基础上提出YOLO⁃Oleifera网络。首先将两个1×1和3×3的卷积核分别添加至YOLOv4⁃tiny网络的第2个和第3个CSPBlock模块之后,以有助于学习油茶果的特征信息和减少计算复杂度;接着使用K⁃means++先验框聚类算法代替YOLOv4⁃tiny网络使用的K⁃means先验框聚类算法,以获得满足油茶果尺寸的聚类结果。消融实验证明了网络改进的有效性。分别测试光照和阴影环境下的油茶果图像,实验表明YOLO⁃Oleifera网络在不同光照条件下检测油茶果具有鲁棒性。此外,对比实验表明被遮挡的油茶果因为语义信息的缺失而导致Precision和Recall降低。将YOLO⁃Oleifera网络的测试结果与YOLOv5⁃s、YOLOv3⁃tiny和YOLOv4⁃tiny网络进行比较,结果显示YOLO⁃Oleifera网络的AP最高,而且YOLO⁃Oleifera网络占用硬件资源最小。此外,YOLO⁃Oleifera网络检测图像平均花费31 ms,能够满足移动采摘机器人的实时检测需求。因此,提出的YOLO⁃Oleifera网络更加适合搭载在移动采摘机器人上进行检测任务。 展开更多
关键词 目标检测 yolov4⁃tiny网络 深度学习 卷积核 采摘机器人 K⁃means++ 鲁棒性
下载PDF
基于YOLOv4⁃tiny模型的细胞图像识别技术研究
3
作者 柴媛媛 《现代电子技术》 2022年第9期46-49,共4页
根据细胞的形态特征进行病理分析是现代医疗健康领域常用的技术手段,传统的细胞识别及分类存在易疲劳、效率低、医师水平及主观因素带来的不确定性等问题。为此,提出基于YOLOv4⁃tiny模型的细胞图像识别技术。在Jetson Nano人工智能平台... 根据细胞的形态特征进行病理分析是现代医疗健康领域常用的技术手段,传统的细胞识别及分类存在易疲劳、效率低、医师水平及主观因素带来的不确定性等问题。为此,提出基于YOLOv4⁃tiny模型的细胞图像识别技术。在Jetson Nano人工智能平台上设计开发了面向细胞的智能检测系统,通过加入Dropout改进了YOLOv4⁃tiny轻量化网络模型,有效防止了训练数据过度拟合的问题,实现了基于细胞形状特征的精准识别。实验结果表明,该系统的细胞检测准确率可高达99%,能够大幅提高细胞在显微镜下的检测精度及检测效率,促进了人工智能技术在医学检测领域的应用。 展开更多
关键词 细胞图像识别 yolov4⁃tiny模型 智能检测 目标识别 网络模型改进 病理分析
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