-
题名基于ResNet网络的红绿灯智能检测算法研究
被引量：2
- 1
-
-
作者
郭瑞香
-
机构
闽南师范大学信息化建设与管理办公室
-
出处
《闽南师范大学学报（自然科学版）》
2021年第3期46-54,共9页
-
文摘
提出了一种基于深度学习的红绿灯目标检测算法.在Yolo V3模型中引入残差模块学习方法,提出以ResNet残差网络模块作为特征提取网络,优化网络结构深度,对图像模型裁剪、训练参数等方面进行调整,利用PaddlePaddle深度学习平台AI Studio对红绿灯目标检测模型进行训练,得到了红绿灯的准确检测结果,红灯测试精准率达到0.992 6,绿灯精准率达到0.972 4,相比原网络结构模型红灯精准率0.932 2,绿灯精准率0.991 8,平均精准率(MAP)由原来的0.865 9提高到0.896 6,模型精准率提高了3个百分点.利用模拟和实际采集的数据,分别验证了模型的可靠性,实现了盲人弱势群体可以安全过马路.
-
关键词
深度学习
目标检测
PaddlePaddle
ResNet34
darknet53
Yolo
v3
残差网络
-
Keywords
deep learning
target detection
PaddlePaddle
ResNet34
darknet53
Yolo v3
residual network
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名基于辅助网络和注意力机制的皮肤病理标本检测
- 2
-
-
作者
王岩
崔文成
-
机构
沈阳工业大学信息科学与工程学院
-
出处
《长江信息通信》
2023年第7期74-77,共4页
-
文摘
皮肤病理标本的批量检测对标本的送检具有重要意义,但受待检测目标较小的影响给检测任务带来巨大的挑战。针对此问题,文章提出了一种以YOLOX-DarkNet53为基本框架,结合辅助网路和注意力机制的皮肤病理标本检测模型。首先,在主干网络旁构建辅助网路的支路,以增强其特征提取能力;然后,将注意力机制应用于辅助网络和主干网络的信息融合,抑制无效信息通道,提高网络处理效率;最后,使用自建数据集对优化后的模型进行训练和测试,与原始基础网络相比,优化后的模型检测精度提高了1.26%。
-
关键词
皮肤病理标本
YOLOX-darknet53
辅助网络
注意力机制
-
Keywords
skin pathology specimens
YOLOX-darknet53
auxiliary network
attention mechanism
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进的YOLOv3道路车辆实时检测
被引量：27
- 3
-
-
作者
杜金航
何宁
-
机构
北京联合大学
-
出处
《计算机工程与应用》
CSCD
北大核心
2020年第11期26-32,共7页
-
基金
国家自然科学基金(No.61572077,No.61872042)
北京市自然科学基金委和北京市教委联合重点项目(No.KZ201911417048)
+1 种基金
北京教委科技计划项目(No.KM201811417004)
北京联合大学研究生资助项目。
-
文摘
道路车辆实时检测是计算机视觉领域中的研究热点问题。针对道路车辆检测算法存在检测精度低、速度慢等问题,提出了一种基于改进YOLOv3的道路车辆目标检测方法。通过改进Darknet53骨架网络构建了有30个卷积层的卷积神经网络,在减少网络成本的同时提高了检测速度;根据道路车辆宽高比固定的特点,利用k-means聚类方法选取锚点预测边界框,提高了检测速度与精度。实验结果表明,提出的方法在标准数据集KITTI上的平均精度达到了90.08%,比传统的YOLOv3提高了0.47%,检测速度达到了76.04 f/s,明显优于传统的YOLOv3算法。同时将该方法应用于车辆行驶动态数据集,能够实现针对视频中道路车辆的实时检测。
-
关键词
车辆检测
YOLOv3
卷积神经网络
darknet53
K-MEANS
-
Keywords
vehicle detection
YOLOv3
Convolutional Neural network(CNN)
darknet53
k-means
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名融合TCN的时空域双流动态手势识别方法
被引量：4
- 4
-
-
作者
罗标
陈勇
-
机构
长江大学计算机科学学院
-
出处
《现代电子技术》
2022年第1期50-55,共6页
-
基金
湖北省技术创新专项重大项目(2019AAA011)。
-
文摘
手势分为静态手势和动态手势,针对动态手势中手势轨迹不明显、短期时空特征得不到有效提取和利用,提出一种基于darknet(darknet53)算法融合时序卷积网络(TCN)的双流网络3D-darknet用于识别视频中的动态手势。该方法在3D-CNN的基础上将具有强大图像特征提取能力的darknet网络与短期时空特征提取的TCN网络结合,采用自适应的权重融合策略将短期时空特征和长期时间特征融合后得到对视频手势的识别,并在Jester数据集上对网络模型进行验证。实验结果表明,该网络结构对特定轨迹特征不明显的手势平均识别率达到91.17%,相比动态手势识别网络3D-densenet识别率85.49%提高了5.68%,具有更高的准确率,在双流网络的空间流中darknet网络去掉全连接层,利用平均池化直接输出提取的特征,减少了网络参数,提高了识别效率,并且3D-darknet网络需要更少的迭代次数,提高了识别的鲁棒性。
-
关键词
手势识别
darknet53网络
时序卷积网络
双流网络
卷积神经网络
特征提取
手势轨迹
短期时空特征
-
Keywords
gesture recognition
darknet53 network
TCN
two-stream network
convolutional neural network
feature extraction
gesture trajectory
short-term spatio-temporal feature
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
