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：
基于时空一致性约束视频目标车辆的检测与跟踪算法研究 被引量：3
1
作者 洪锋 鲁昌华 +2 位作者 蒋薇薇 王涛 方恒阳 《电子测量与仪器学报》 CSCD 北大核心 2022年第3期105-112,共8页
复杂场景中的目标感知是深度学习在计算机视觉中最重要的研究领域之一,而复杂交通场景中的车辆检测与跟踪是当今众多学者研究的热点问题。在视频目标检测过程中由于运动物体的时间维度特征信息利用不充分,导致在长序列之间的时间特征极... 复杂场景中的目标感知是深度学习在计算机视觉中最重要的研究领域之一,而复杂交通场景中的车辆检测与跟踪是当今众多学者研究的热点问题。在视频目标检测过程中由于运动物体的时间维度特征信息利用不充分,导致在长序列之间的时间特征极其容易被忽略,本文提出一种时空一致性的视频车辆的检测跟踪算法。该算法由双分支网络结构组成:分支一是由基于空间相关性的Transformer网络模块组成,该分支网络主要用于判断前后帧的相关性、感知相邻帧之间的一致性,预测目标车辆时空一致性的关联度;另一网络分支是由基于交叉特征金字塔融合的网络模块组成,该模块主要是提取检测对象的局部信息结合浅层的空间边缘信息和深层的语义特征信息,提取对象空间位置的特征信息。该网络结构将Transformer机制和交叉特征金字塔模块相结合,利用Transformer对长序列之间时间关联性敏感和特征金字塔网络模块对边缘信息敏感的特性,对视频帧对象进行检测和跟踪,确保相邻帧的长程相关性以及边缘和深层的特征信息深度融合。实验结果表明,本文设计的双分支网络结构在视频目标跟踪和检测中取得更好精度和更快的收敛速度;同时在显著性视频目标检测中,实验表明算法的有效性和泛化性。 展开更多
关键词 时空一致性 车辆跟踪 TRANSFORMER 交叉特征金字塔网络
下载PDF
基于改进YOLOv5s的矿工排队检测方法
2
作者 郝明月 闵冰冰 +3 位作者 张新建 赵作鹏 吴晨 王欣 《工矿自动化》 CSCD 北大核心 2023年第11期160-166,共7页
传统的目标检测算法识别矿工排队异常行为时需人工提取特征,检测时间长、检测精度低;基于卷积神经网络的目标检测算法在检测速度和精度上有所提升,但在遮挡、昏暗和光照不均等场景下的检测效果难以保障。针对上述问题,提出了一种改进YOL... 传统的目标检测算法识别矿工排队异常行为时需人工提取特征,检测时间长、检测精度低;基于卷积神经网络的目标检测算法在检测速度和精度上有所提升,但在遮挡、昏暗和光照不均等场景下的检测效果难以保障。针对上述问题,提出了一种改进YOLOv5s(HPI-YOLOv5s)模型,并将其用于矿工排队检测。HPIYOLOv5s模型在YOLOv5s模型的基础上对路径聚合网络(PANet)进行改进,通过删除单个输入边节点、增加双向交叉路径,构建了一种双向交叉特征金字塔网络(BCrFPN)进行多尺度特征融合。鉴于手动设置阈值的标签分配策略鲁棒性不高,在自适应训练样本选择(ATSS)动态设置阈值的基础上,提出动态标签分配策略(ATSS_PLUS),更合理地评估候选样本的质量,动态设定每个真实目标的阈值,具有更高的检测精度和鲁棒性。通过半平面交法计算人脸框与所划定排队区域的相交面积,并将相交面积和人脸框面积之比与设置的阈值比较以判断矿工是否有序排队。实验结果表明:HPI-YOLOv5s模型比YOLOv5s模型的准确率提高了1.9%,权重大小减少了32%,参数量减少了6.9%,检测速度提高了7.8%,且针对遮挡、昏暗、光照不均的矿井图像,能够更准确地识别矿工排队情况。 展开更多
关键词 矿工排队检测 人脸检测 双向交叉特征金字塔网络 特征融合 自适应训练样本选择 动态标签分配
下载PDF
基于DL-SSD模型的交通标志检测算法 被引量：3
3
作者 李杰 高尚兵 +2 位作者 胡序洋 李少凡 刘宇 《扬州大学学报（自然科学版）》 CAS 北大核心 2022年第5期47-53,共7页
针对交通标志图像分辨率低、特征不明显的问题,在SSD(single shot multibox detector)目标检测模型基础上提出改进的DL-SSD(deep and low optimized single shot multibox detector)模型.该算法先通过跨尺度双向特征融合方法(cross-scal... 针对交通标志图像分辨率低、特征不明显的问题,在SSD(single shot multibox detector)目标检测模型基础上提出改进的DL-SSD(deep and low optimized single shot multibox detector)模型.该算法先通过跨尺度双向特征融合方法(cross-scale bidirectional feature pyramid network,C-BiFPN),将浅层3种不同尺度特征以自底向上和自顶向下的方式进行融合;同时在深层特征提取层提出一种通道注意力机制,增强对交通标志特征的感知能力,从而提高检测精度;最终将浅层和深层特征同时输入分类器进行分类预测.实验结果表明,DL-SSD模型在中国交通标志检测数据集CCTSDB上平均精度均值达92%,比SSD目标检测模型提高了9%,对交通标志有较好的检测效果. 展开更多
关键词 目标检测 SSD 跨尺度双向特征融合 通道注意力机制
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