为了对铁路电气设备进行智能检测,并提升检测精度,采用了You Only Look Once version 4算法,并从特征获取、全局信息获取和损失函数三个角度对其进行初步改进。基于提升模型检测速度的目的,又引入了K均值算法及深度可分离卷积。经过测...为了对铁路电气设备进行智能检测,并提升检测精度,采用了You Only Look Once version 4算法,并从特征获取、全局信息获取和损失函数三个角度对其进行初步改进。基于提升模型检测速度的目的,又引入了K均值算法及深度可分离卷积。经过测试发现,在实际应用中,检测模型的准确率和召回率最大值分别为93.83%和94.61%,耗时和内存占用率最小值分别为22.61 ms和5.8%。所设计的智能检测模型具有良好的检测精度和速度,能够较好地对现实中的铁路电气设备进行检测。展开更多
提出一种基于改进You Only Look Once version 4-tiny(YOLOv4-tiny)算法的人工智能教学系统人体跟踪识别方法,以解决现有技术在实际教学场景中识别精度不高、实时性差和环境适应性弱的问题。通过引入卷积块注意力模块、联合损失函数以...提出一种基于改进You Only Look Once version 4-tiny(YOLOv4-tiny)算法的人工智能教学系统人体跟踪识别方法,以解决现有技术在实际教学场景中识别精度不高、实时性差和环境适应性弱的问题。通过引入卷积块注意力模块、联合损失函数以及特征金字塔网络结构,对YOLOv4-tiny算法进行改进。利用Kinect传感器收集信息,结合改进的YOLOv4-tiny算法进行用户命令的识别与分析。改进后的识别方法在两种数据集中的精确率分别为92.53%和96.23%。对10个教学动作的识别准确率分别平均提高了2.79%、4.31%。结果表明,将改进的算法与教学系统集成,能够提高算法对人体手部动作的跟踪识别效率,为教学方式的优化提供新途径,提高教学效率和智能化发展,具有重要的实际应用价值和理论意义。展开更多
在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YO...在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。展开更多
文摘为了对铁路电气设备进行智能检测,并提升检测精度,采用了You Only Look Once version 4算法,并从特征获取、全局信息获取和损失函数三个角度对其进行初步改进。基于提升模型检测速度的目的,又引入了K均值算法及深度可分离卷积。经过测试发现,在实际应用中,检测模型的准确率和召回率最大值分别为93.83%和94.61%,耗时和内存占用率最小值分别为22.61 ms和5.8%。所设计的智能检测模型具有良好的检测精度和速度,能够较好地对现实中的铁路电气设备进行检测。
文摘提出一种基于改进You Only Look Once version 4-tiny(YOLOv4-tiny)算法的人工智能教学系统人体跟踪识别方法,以解决现有技术在实际教学场景中识别精度不高、实时性差和环境适应性弱的问题。通过引入卷积块注意力模块、联合损失函数以及特征金字塔网络结构,对YOLOv4-tiny算法进行改进。利用Kinect传感器收集信息,结合改进的YOLOv4-tiny算法进行用户命令的识别与分析。改进后的识别方法在两种数据集中的精确率分别为92.53%和96.23%。对10个教学动作的识别准确率分别平均提高了2.79%、4.31%。结果表明,将改进的算法与教学系统集成,能够提高算法对人体手部动作的跟踪识别效率,为教学方式的优化提供新途径,提高教学效率和智能化发展,具有重要的实际应用价值和理论意义。
文摘在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。
