关键词： YOLOv7   目标检测   ShuffleNet   边缘计算   Sophon SE5  

摘要： 针对现存的人体检测网络都比较复杂,部署到边缘设备上时表现不佳的问题,基于YOLOv7提出一种轻量级人体检测算法。该算法首先使用改进后的ShuffleNev2基本模块替换原网络ELAN模块;接着在主干网络末端添加SE注意力和SPPF池化;然后在Neck部分使用改进后的GSConv替换标准卷积,引入基于GSConv的VoVGSCSP替换ELAN-W模块。通过在GPU和Sophon SE5上的验证结果表明,该轻量级人体检测算法与YOLOv7相比损失2.6%的精度,但计算量大幅度降低,在Sophon SE5上推理速度达到了54 FPS,相比较YOLOv7提升了39 FPS。

关键词： 目标检测   半监督学习   伪标签   位置噪声   定位置信度   定位损失函数  

摘要： 为解决伪标签筛选过程的位置噪声数据问题,提出了基于定位置信度加权的Soft Teacher-LAH半监督目标检测算法。通过离散化目标检测网络定位分支的预测输出,引入具有定位感知功能的输出结构LAH。基于LAH预测输出,定义一种衡量定位精度的置信度指标,设计基于该置信度加权的无监督定位损失函数,降低伪标签位置噪声对模型训练的负面影响。实验结果表明了该算法的性能优势,针对微软COCO数据集,在有标注数据占比训练集分别为1%、5%和10%的场景下,该算法相比于现有Soft Teacher方案的平均精度分别提高了1.1、1.2和1.5个百分点;针对PASCAL VOC数据集,在使用VOC07和VOC12分别作为有标注和无标注训练数据的场景下,该算法相比Soft Teacher方案的平均精度提高了1.6个百分点。

关键词： 资源受限   轻量化   梯度流  

摘要： 深度学习技术可显著提高军事作战中坦克目标识别的准确率和速度,减少误判和漏检,从而降低人员伤亡和战争损失。为了解决大型、复杂、耗时的模型可能会受限于计算资源、存储和能耗等方面的问题,提出了一种基于YOLOv5轻量化目标检测器。通过C2f based on attention mechanism模块丰富梯度流信息并进一步加速运算;Lead Head与Aux Head的有机结合平衡正负样本提高模型对遮挡小坦克目标识别漏检的能力;利用FasterNet作为特征提取网络,解决了参数量大、算力要求高的问题。实验结果表明:相较于原始YOLOv5,改进后的模型Map0.5、mAP0.5:0.95分别提高了1.2%和4.2%,参数量、GFLOPs以及***分别降低了32.3%、27.59%和26.01%。改进后的YOLOv5模型可以非常快速精准识别坦克目标,通过模型的轻量化使其更容易在移动端和嵌入式设备上部署。

关键词： 深度学习   双轮车头盔目标检测   小目标检测   稀疏卷积   多尺度空洞卷积  

摘要： 随着快递及外卖业的兴起,以电动车和摩托车为代表的双轮车数量激增,交通事故频发。由于双轮车数量庞大,管理将耗费大量警力,而该研究能够大大释放警力。针对目标检测模型中高分辨率特征层计算耗时的问题,提出了采用稀疏卷积的级联双轮车头盔目标检测算法,有效提升模型性能,速度提高了33.3%。此外针对行人以及自行车驾乘人员带来的未戴头盔误判问题,采用多尺度空洞卷积,通过引入上下文信息,可以有效减少此类误判,精度提升2.2%。最后标注并开源了交通道路场景下的双轮车头盔数据集TWHD,以验证算法性能。

关键词： 小目标检测   前景注意力   交通标志   空洞卷积  

摘要： 针对小目标检测算法在交通标志识别上的精度较低和误检等问题,提出一种前景融合注意力机制网络YOLO-Traffic。先引入EIOU损失函数,分别计算预测框和真实框的宽度,再利用空洞卷积来解决原模型CIOU存在的问题;其次,添加前景注意力机制F-ECA,充分提取前景相关信息,抑制背景噪声;最后使用Kmeans++算法代替Kmeans聚类得到的锚框进行重新分配相应的特征层,进一步提高特征提取能力。在清华大学制作的TT100K交通标志数据集上实验得出,对比原YOLOv5网络,精度提升了2.91%,召回率提升了2.1%,检测速度为44帧每秒,最终精度达到96.89%。因此,所提出的YOLO-Traffic网络可以提升交通标志检测精度和模型性能。

关键词： 目标检测   轻量化   特征融合   损失函数  

摘要： 为了进一步降低目标检测模型YOLOX-Tiny的大小并提高检测精度,以便于更好地适用于计算资源和存储空间有限的环境,在特征金字塔的结构、解耦头的结构和损失函数上对其进行改进,形成一种更高性能的轻量级目标检测模型Lite-YOLOX。为进一步压缩原有模型体积,重新设计特征金字塔和解耦头的结构,使模型的Neck和Head部分更轻量化;为提升模型的检测精度,在原有IoU损失函数的基础上进行优化,设计并提出EIoU损失函数,改进后的损失函数对真实框和预测框的位置更加敏感;选取PASCAL VOC和安全帽检测数据集对改进模型进行验证。实验结果表明:Lite-YOLOX与YOLOX-Tiny相比,参数量减少40%,计算量下降37.5%,mAP50提升3.2和3.1个百分点。在NVIDIA Jetson Xavier NX上,每秒传输帧数(FPS)从51增加到59,实时性有了明显的提升。

关键词： 目标跟踪   相关滤波   空间正则化   自适应纵横比   模板更新   响应融合  

摘要： 在目标跟踪中,传统相关滤波算法无法感知运动目标尺度纵横比变化,且易受复杂环境影响导致跟踪失败。为此,提出了纵横比自适应的时空正则化相关滤波算法。首先,参考平均峰值相关能量(Average peak-to-correlation energy,APCE)和响应峰值对每个特征的响应图进行加权融合,以实现对目标的精确跟踪。其次,结合近正交性和空间正则化提出一种新的一维边界滤波器,通过定位目标包围框的四个边界位置实现对目标尺度和纵横比变化的自适应检测,有效抑制了边界效应带来的负面影响。最后,根据响应输出的峰值旁瓣比(Peak-to-sidelobe ratio,PSR)独立地调节各边界滤波器的学习率,防止模型退化。在OTB数据集上进行了测试,该算法表现出理想的跟踪效果,在各个挑战属性上相较于其他优秀算法均取得了更优结果。

关键词： 人工智能   电脑视觉   目标检测   针灸   病人安全  

摘要： 目的病人针灸治疗时,漏针可能造成严重后果。为增强针灸安全性,本研究将开发一个基于深度学习的自动云端数针系统。方法本研究利用拍有针灸针的手机图片为曾预先训练的定向目标检测模型(Oriented R-CNN)进行转移学习,以开发一种能够自动计算图片中针灸针数量的目标检测算法。我们首先拍摄了一个包含590张图片的训练集以及一个包含1025张图片的验证集。随后在带有NVIDIA Tesla T4图形处理器(GPU)的Google Colab环境中部署了MMRotate工具箱为模型进行训练。我们将训练的模型与Telegram bot手机小程序界面集成,并评估模型的准确率、精确率和召回率。本小程序中云端数针系统的速度则以端到端处理时间计算。结果在每张图片20根针的验证集情景中,我们的定向检测模型在准确率、精确率和召回率上分别达到96.49%、99.98%和99.84%,平均端到端处理时间为1.535秒。结论这项云服务系统在速度、准确性和可靠性上的提升展示了深度学习物体检测技术改进针灸实践的潜力。

关键词： 数字图像   预埋件   卷积神经网络   机器人   无人化识别  

摘要： 在建筑施工质量检查中,需对预埋件的位置及数量牢牢把控。为进一步提高对建筑预埋件的检测效率,利用数字图像处理技术,搭建并训练形成了建筑预埋件识别的卷积神经网络模型。基于此,通过配置相关硬件系统,开发了一款可移动式机器人,并内嵌预埋件识别模型,形成了建筑预埋件的无人化识别技术。最后,将上述无人化识别技术应用于实际工程中,实现了对建筑预埋件的有效检测及数量统计,验证了技术的有效性。

关键词： 综采工作面   目标检测   大块煤检测   YOLOv5s   MobileNetV3   高效多尺度注意力模块   SIoU损失函数  

摘要： 综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。