在人体姿态检测任务中,现有的深度学习网络存在检测精度不足、网络参数复杂和计算成本高等问题,严重限制了它们的应用。为了解决这些问题,提出一种轻量且高精度的姿态检测改进网络HG-YOLO(High-precision and Ghost YOLO)。针对检测精...在人体姿态检测任务中,现有的深度学习网络存在检测精度不足、网络参数复杂和计算成本高等问题,严重限制了它们的应用。为了解决这些问题,提出一种轻量且高精度的姿态检测改进网络HG-YOLO(High-precision and Ghost YOLO)。针对检测精度不足的问题,在HG-YOLO的主干网络,融合基于Transformer的检测网络RT-DETR(Real-Time DEtection TRansformer),并将大型可分离核注意力(LSKA)模块嵌入主干网络中,以在不增加内存占用和计算复杂性的基础上,提高网络应对复杂场景的特征提取能力,从而提高人体姿态的检测精度。针对网络参数复杂和计算成本高的问题,引入轻量化的Ghost卷积模块替换部分标准卷积,此外,在HG-YOLO的检测头部分,设计一种共享卷积检测头,以通过参数和权重共享机制减少卷积计算,从而降低网络的参数量和计算复杂度。在COCO(Common Objects in COntext)2017-Keypoints数据集和CrowdPose数据集上的实验结果表明,与基准的YOLOv8-Pose网络相比,HG-YOLO的参数量减少了32%,浮点运算量减少了18%;在规模为小型(s)时,在COCO 2017-Keypoints数据集上,AP50(Average Precision at OKS(Object Keypoint Similarity)of 0.50)提升了0.8个百分点,在CrowdPose数据集上,AP提升了2.9个百分点。可见,HG-YOLO不仅轻量,而且检测精度高,是人体姿态检测领域的优秀网络模型。展开更多
为提高自然环境中玉米害虫识别的准确性,开发一种基于优化YOLOv8的深度学习模型YOLOv8-LAP。该模型将大型可分离卷积核注意力(LSKA)机制引入特征融合模块空间快速金字塔池化(SPPF),增强多尺度特征提取能力,提升检测性能。针对玉米害虫...为提高自然环境中玉米害虫识别的准确性,开发一种基于优化YOLOv8的深度学习模型YOLOv8-LAP。该模型将大型可分离卷积核注意力(LSKA)机制引入特征融合模块空间快速金字塔池化(SPPF),增强多尺度特征提取能力,提升检测性能。针对玉米害虫图像检测中小目标难以捕捉、背景复杂和光照变化等挑战,在主干网络中加入AFGC(Attention for Fine-Grained Categorization)层,以进一步增强图像特征提取的效果,提升模型的泛化能力和鲁棒性。为保证实时检测和模型轻量化,引入可编程梯度信息(PGI)技术,通过辅助监督优化训练过程,减少参数并加速推理。在9种常见玉米害虫的检测中,YOLOv8-LAP模型的平均精度均值(mAP0.5)达到了95.7%,相较于原始YOLOv8模型提高了4.9个百分点。此外,为验证YOLOv8-LAP模型的效果,开发一款基于PySide6的应用程序,该应用拥有用户友好的图形用户界面(GUI),具有实时图像处理和视频分析功能,并支持静态图像、动态视频和摄像头实时目标检测。可见,YOLOv8-LAP模型在降低漏检率和误检率方面表现突出,目标定位更精准,适用于自然环境下的玉米害虫识别,并为精准施药提供技术支持。展开更多
文摘为提高自然环境中玉米害虫识别的准确性,开发一种基于优化YOLOv8的深度学习模型YOLOv8-LAP。该模型将大型可分离卷积核注意力(LSKA)机制引入特征融合模块空间快速金字塔池化(SPPF),增强多尺度特征提取能力,提升检测性能。针对玉米害虫图像检测中小目标难以捕捉、背景复杂和光照变化等挑战,在主干网络中加入AFGC(Attention for Fine-Grained Categorization)层,以进一步增强图像特征提取的效果,提升模型的泛化能力和鲁棒性。为保证实时检测和模型轻量化,引入可编程梯度信息(PGI)技术,通过辅助监督优化训练过程,减少参数并加速推理。在9种常见玉米害虫的检测中,YOLOv8-LAP模型的平均精度均值(mAP0.5)达到了95.7%,相较于原始YOLOv8模型提高了4.9个百分点。此外,为验证YOLOv8-LAP模型的效果,开发一款基于PySide6的应用程序,该应用拥有用户友好的图形用户界面(GUI),具有实时图像处理和视频分析功能,并支持静态图像、动态视频和摄像头实时目标检测。可见,YOLOv8-LAP模型在降低漏检率和误检率方面表现突出,目标定位更精准,适用于自然环境下的玉米害虫识别,并为精准施药提供技术支持。
