针对无人机航拍图像中出现的道路小目标检测精度较低的问题,提出以融合SKNet卷积核注意力机制与YOLOv5s的目标检测模型,提高检测模型对地面小目标特征信息提取识别能力。在此改进基础上,基于Visual Studio Code配置的Pytorch深度学习开...针对无人机航拍图像中出现的道路小目标检测精度较低的问题,提出以融合SKNet卷积核注意力机制与YOLOv5s的目标检测模型,提高检测模型对地面小目标特征信息提取识别能力。在此改进基础上,基于Visual Studio Code配置的Pytorch深度学习开发环境,对SKNet+YOLOv5s的性能进行测试试验。结果表明:以VisDrone2019作为数据集训练时,相较于几种常规注意力机制的改进方法,如SENet+YOLOv5s、CBAM+YOLOv5s,SKNet+YOLOv5s的检测精度有所提升。展开更多
基于遥感影像的海洋目标图像具有多尺度、形状变化大、颜色暗淡、目标边界不清、图像模糊等特点,需要在现有的目标检测算法上进行改进,以满足遥感影像海洋目标检测及分类需要。针对这些问题,在You Only Look Once version 5(YOLOv5)的...基于遥感影像的海洋目标图像具有多尺度、形状变化大、颜色暗淡、目标边界不清、图像模糊等特点,需要在现有的目标检测算法上进行改进,以满足遥感影像海洋目标检测及分类需要。针对这些问题,在You Only Look Once version 5(YOLOv5)的网络架构中引入Selective Kernel Networks(SKNet)注意力模块,提出一种新的SK-YOLOv5网络,增强网络对多尺度复杂海洋目标的特征提取和自适应能力。经对比实验测试,在相同的海洋目标数据集上,改进后的网络比原网络整体检测及分类准确率提升了约9%。展开更多
为了提升传统行人徘徊检测方法的准确性,提出了一种结合行人检测与峰值密度聚类的行人多次徘徊检测算法(Multiple Wander Detection Combining Pedestrian Detection and Peak Density ClusteringMWD_PD_DPC)。首先,在行人检测算法的特...为了提升传统行人徘徊检测方法的准确性,提出了一种结合行人检测与峰值密度聚类的行人多次徘徊检测算法(Multiple Wander Detection Combining Pedestrian Detection and Peak Density ClusteringMWD_PD_DPC)。首先,在行人检测算法的特征提取网络与FPN层之间加入自适应卷积注意力机制(SKNet),提升模型在多尺度场景下行人检测精度。然后,提出了柔性非极大值抑制(DIOU-Soft-NMS)来缓解行人在密集场景下错误抑制的现象,提升行人检测算法在密集场景下的检测精度。最后,使用峰值密度聚类算法(DPC)对行人的轨迹进行分析,来判断是否发生徘徊行为。并通过AdaFace人脸识别算法对徘徊的行人进行人脸匹配,来判断行人是否在不同时间段多次发生徘徊行为。实验表明,该方法单次徘徊检测的准确率到达了94.6%。行人多次徘徊检测的准确率到达了78.7%。展开更多
文摘针对无人机航拍图像中出现的道路小目标检测精度较低的问题,提出以融合SKNet卷积核注意力机制与YOLOv5s的目标检测模型,提高检测模型对地面小目标特征信息提取识别能力。在此改进基础上,基于Visual Studio Code配置的Pytorch深度学习开发环境,对SKNet+YOLOv5s的性能进行测试试验。结果表明:以VisDrone2019作为数据集训练时,相较于几种常规注意力机制的改进方法,如SENet+YOLOv5s、CBAM+YOLOv5s,SKNet+YOLOv5s的检测精度有所提升。
文摘基于遥感影像的海洋目标图像具有多尺度、形状变化大、颜色暗淡、目标边界不清、图像模糊等特点,需要在现有的目标检测算法上进行改进,以满足遥感影像海洋目标检测及分类需要。针对这些问题,在You Only Look Once version 5(YOLOv5)的网络架构中引入Selective Kernel Networks(SKNet)注意力模块,提出一种新的SK-YOLOv5网络,增强网络对多尺度复杂海洋目标的特征提取和自适应能力。经对比实验测试,在相同的海洋目标数据集上,改进后的网络比原网络整体检测及分类准确率提升了约9%。
文摘为了提升传统行人徘徊检测方法的准确性,提出了一种结合行人检测与峰值密度聚类的行人多次徘徊检测算法(Multiple Wander Detection Combining Pedestrian Detection and Peak Density ClusteringMWD_PD_DPC)。首先,在行人检测算法的特征提取网络与FPN层之间加入自适应卷积注意力机制(SKNet),提升模型在多尺度场景下行人检测精度。然后,提出了柔性非极大值抑制(DIOU-Soft-NMS)来缓解行人在密集场景下错误抑制的现象,提升行人检测算法在密集场景下的检测精度。最后,使用峰值密度聚类算法(DPC)对行人的轨迹进行分析,来判断是否发生徘徊行为。并通过AdaFace人脸识别算法对徘徊的行人进行人脸匹配,来判断行人是否在不同时间段多次发生徘徊行为。实验表明,该方法单次徘徊检测的准确率到达了94.6%。行人多次徘徊检测的准确率到达了78.7%。
