提出了一种新型的目标检测方法DeRF-YOLOv3-X(Derain and Defog-YOLOv3-Xception),将Xception引入YOLOv3网络以提高雨雾天气条件下行人和车辆的目标检测准确性。对于雨雾背景,分别采用残差网络和负映射结合的深度细节网络DDN和基于注意...提出了一种新型的目标检测方法DeRF-YOLOv3-X(Derain and Defog-YOLOv3-Xception),将Xception引入YOLOv3网络以提高雨雾天气条件下行人和车辆的目标检测准确性。对于雨雾背景,分别采用残差网络和负映射结合的深度细节网络DDN和基于注意力机制的多尺度网络GridDehazeNet进行去雨去雾处理;采用Xception替换YOLOv3中Darknet-53网络,同时将回归损失函数由IoU改进为DIoU,提高特征提取能力以及框定位准确率。在公开数据集ImageNet上进行主干网络的测试;在实际场景数据集上进行YOLOv3-X网络和DeRF-YOLOv3-X网络的测试。实验结果表明,提出的DeRF-YOLOv3-X目标检测网络在雨天背景下mAP值提高了5.92%,达到54.99%;在雾天背景下,mAP值也提高了4.22%,达到49.07%。展开更多
文摘针对先前研究工作对行人属性相关性分析不足和行人图像中细粒度属性特征难以捕获的问题,首先基于关联规则寻找属性之间的相关性,然后根据相关性改变网络结构,提升有较强相关性属性的准确率并嵌入改进的HSA(hierarchy split attention)注意力模块,将特征图中的潜在信息进行深度挖掘.HSA注意力模块将特征图进行分组和在子特征图之间增加通道交互操作,整合后的特征图输入挤压激励(squeeze and excitation,SE)模块中,提取图像在通道上的信息.在PA100K、Market-1501和PETA数据集上的实验结果表明,本算法的精确率、召回率、F1值与其他算法相当,但是准确率有较大提升.
文摘提出了一种新型的目标检测方法DeRF-YOLOv3-X(Derain and Defog-YOLOv3-Xception),将Xception引入YOLOv3网络以提高雨雾天气条件下行人和车辆的目标检测准确性。对于雨雾背景,分别采用残差网络和负映射结合的深度细节网络DDN和基于注意力机制的多尺度网络GridDehazeNet进行去雨去雾处理;采用Xception替换YOLOv3中Darknet-53网络,同时将回归损失函数由IoU改进为DIoU,提高特征提取能力以及框定位准确率。在公开数据集ImageNet上进行主干网络的测试;在实际场景数据集上进行YOLOv3-X网络和DeRF-YOLOv3-X网络的测试。实验结果表明,提出的DeRF-YOLOv3-X目标检测网络在雨天背景下mAP值提高了5.92%,达到54.99%;在雾天背景下,mAP值也提高了4.22%,达到49.07%。
