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
交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如...交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如车辆碰撞、单车冲撞和车辆起火)检测的准确性和性能。先将原YOLOv6模型中的损失函数替换为CIoU损失函数,以增强模型的定位精度,后引入CBAM注意力机制,以提高模型对关键特征的关注度,再采用自动混合精度训练策略优化训练过程,最后为了验证改进效果,通过游戏引擎Grand Theft Auto V生成数据集,并对其进行标注,涵盖3类交通异常事件。试验结果表明:1)提出的改进YOLOv6模型在交通异常事件的检测任务中可获得87.2%的平均检测精度,在各项指标上表现优异;2)召回率AR较次优模型提高2.1%,IoU阈值为0.5时,平均精度mAP高出2.6%;IoU阈值为0.5至0.95时,mAP增长3.7%;3)车辆相撞、单车相撞和车辆起火烧毁的精度分别达到79.9%、37.6%和65.6%,均优于次优模型,验证了改进方法的有效性。展开更多
鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义。为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函...鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义。为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函数基础上构建了新的损失项,改进的损失函数使真实框与相交框呈相同宽高比进行回归,同时通过设置多锚点框模式,增强在特定尺寸面积上的检测效果。结果显示:改进YOLO v4模型的mAP(mean Average Precision)比原模型有较大提升,在自建数据集、Fish4Knowledge数据集和NCFM数据集上的mAP分别达到了94.22%、99.52%、92.16%。研究表明,改进YOLO v4模型可以快速准确地检测到鱼的位置和类别,检测速度满足实时的要求,可以为渔业精准养殖等提供参考。展开更多
由于新型冠状病毒肺炎的爆发,口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩,提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activ...由于新型冠状病毒肺炎的爆发,口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩,提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activate or not,CA-A)提升网络的特征提取能力,解决了错误检测和漏检的问题。以新的损失函数AD-CIoU代替CIoU损失函数,作为回归损失函数,提升了边界框的定位精确度。实验表明,与原始模型算法相比,所提出的模型算法平均精度mAP值达到96.1%,提升了1.7%,具有较好的检测精度,可以满足目标检测应用需求。展开更多
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。
文摘交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如车辆碰撞、单车冲撞和车辆起火)检测的准确性和性能。先将原YOLOv6模型中的损失函数替换为CIoU损失函数,以增强模型的定位精度,后引入CBAM注意力机制,以提高模型对关键特征的关注度,再采用自动混合精度训练策略优化训练过程,最后为了验证改进效果,通过游戏引擎Grand Theft Auto V生成数据集,并对其进行标注,涵盖3类交通异常事件。试验结果表明:1)提出的改进YOLOv6模型在交通异常事件的检测任务中可获得87.2%的平均检测精度,在各项指标上表现优异;2)召回率AR较次优模型提高2.1%,IoU阈值为0.5时,平均精度mAP高出2.6%;IoU阈值为0.5至0.95时,mAP增长3.7%;3)车辆相撞、单车相撞和车辆起火烧毁的精度分别达到79.9%、37.6%和65.6%,均优于次优模型,验证了改进方法的有效性。
文摘鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义。为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函数基础上构建了新的损失项,改进的损失函数使真实框与相交框呈相同宽高比进行回归,同时通过设置多锚点框模式,增强在特定尺寸面积上的检测效果。结果显示:改进YOLO v4模型的mAP(mean Average Precision)比原模型有较大提升,在自建数据集、Fish4Knowledge数据集和NCFM数据集上的mAP分别达到了94.22%、99.52%、92.16%。研究表明,改进YOLO v4模型可以快速准确地检测到鱼的位置和类别,检测速度满足实时的要求,可以为渔业精准养殖等提供参考。
文摘由于新型冠状病毒肺炎的爆发,口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩,提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activate or not,CA-A)提升网络的特征提取能力,解决了错误检测和漏检的问题。以新的损失函数AD-CIoU代替CIoU损失函数,作为回归损失函数,提升了边界框的定位精确度。实验表明,与原始模型算法相比,所提出的模型算法平均精度mAP值达到96.1%,提升了1.7%,具有较好的检测精度,可以满足目标检测应用需求。
