目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进...目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进行替换。此外,用全维动态卷积替换特征融合网络中的普通卷积,同时嵌入CA(coordinate attention)注意力模块,增强模型特征融合能力。在此基础上对原算法中损失函数进行替换,采用更加优秀的损失函数SIoU(SCYLLA intersection over union),提高检测效率。实验采用CCPD(Chinese city parking dataset)数据集,筛选出部分具有挑战性的复杂场景中的车牌图片。实验结果表明:改进后的YOLOv7算法检测速度有大幅提升,帧率从原有的81.9帧/s提升至120帧/s。同时准确率(m AP)达到95.1%,提升2.9百分点,权重模型大小为36.1 MB。可以做到对复杂场景下的车牌进行实时检测,满足轻量化要求,提升了检测速度和精度。展开更多
针对现有目标检测算法对发生火灾时小目标火焰漏检、烟雾误检和检测精度低等问题,文章提出了一种基于改进YOLOv7-tiny的火灾检测算法。该算法首先在颈部网络引入聚集和分发机制(gather and distribute mechanism,GD)来改进特征融合模块...针对现有目标检测算法对发生火灾时小目标火焰漏检、烟雾误检和检测精度低等问题,文章提出了一种基于改进YOLOv7-tiny的火灾检测算法。该算法首先在颈部网络引入聚集和分发机制(gather and distribute mechanism,GD)来改进特征融合模块,从而增强了多尺度特征融合能力。其次采用智慧交并比损失函数(Wise Intersection over Union Loss,WIoU Loss)来作为框回归损失函数,以改善正负样本不平衡问题,进而增强模型对小目标的检测能力。最后在主干网络嵌入协调注意力机制(coordinate attention,CA),使网络能够获得特征图中更多的注意力信息,从而帮助模型更精确地定位火焰烟雾特征。结果表明,对比原始的YOLOv7-tiny算法,改进的算法精确率提高了3.6%,召回率提高了2.0%,平均精度提高了2.7%,这将有助于在复杂场景和小目标火焰中更好地进行火灾检测。展开更多
文摘目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进行替换。此外,用全维动态卷积替换特征融合网络中的普通卷积,同时嵌入CA(coordinate attention)注意力模块,增强模型特征融合能力。在此基础上对原算法中损失函数进行替换,采用更加优秀的损失函数SIoU(SCYLLA intersection over union),提高检测效率。实验采用CCPD(Chinese city parking dataset)数据集,筛选出部分具有挑战性的复杂场景中的车牌图片。实验结果表明:改进后的YOLOv7算法检测速度有大幅提升,帧率从原有的81.9帧/s提升至120帧/s。同时准确率(m AP)达到95.1%,提升2.9百分点,权重模型大小为36.1 MB。可以做到对复杂场景下的车牌进行实时检测,满足轻量化要求,提升了检测速度和精度。
文摘针对现有目标检测算法对发生火灾时小目标火焰漏检、烟雾误检和检测精度低等问题,文章提出了一种基于改进YOLOv7-tiny的火灾检测算法。该算法首先在颈部网络引入聚集和分发机制(gather and distribute mechanism,GD)来改进特征融合模块,从而增强了多尺度特征融合能力。其次采用智慧交并比损失函数(Wise Intersection over Union Loss,WIoU Loss)来作为框回归损失函数,以改善正负样本不平衡问题,进而增强模型对小目标的检测能力。最后在主干网络嵌入协调注意力机制(coordinate attention,CA),使网络能够获得特征图中更多的注意力信息,从而帮助模型更精确地定位火焰烟雾特征。结果表明,对比原始的YOLOv7-tiny算法,改进的算法精确率提高了3.6%,召回率提高了2.0%,平均精度提高了2.7%,这将有助于在复杂场景和小目标火焰中更好地进行火灾检测。
