题名 融合混合注意力与检测头的道路障碍物检测
1
作者
李玉娟 葛动元 姚锡凡 周浩伟
机构
广西科技大学机械与汽车工程学院 华南理工大学机械与汽车工程学院
出处
《科学技术与工程》
北大核心
2026年第1期253-261,共9页
基金
国家自然科学基金(51765007)。
文摘
针对车辆在行驶道路上出现的障碍物目标重叠、尺度特征不一且易与背景混淆导致漏检误检率高、检测精度低等问题,提出障碍物检测算法ADMH-YOLOv8。以YOLOv8框架为基础,首先,使用可改变核卷积改进特征提取网络部分标准卷积层以提高特征提取能力;其次,结合空洞卷积改进动态上采样算子(dynamic sampling, DySample)替代固定上采样提升特征融合的有效性;再次,引入改进的融合多尺度特征的混合式注意力模块,减少上采样过程中信息的丢失,增强对重要区域的感知能力;最后,设计参数共享检测头(parameter sharing detection head, PSDH),降低参数量。实验结果表明,ADMH-YOLO算法的综合性能较优,平均精度为93.8%,相比基线算法提高了2.0%,障碍物识别精度高,适用于道路上障碍物检测任务。
关键词
道路障碍物 可改变核卷积 动态上采样 混合式注意力模块 参数共享检测头
Keywords
road obstacles changeable kernel convolution dynamic sampling hybrid attention module parameter sharing detection head
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 轻量且高精度增强的姿态检测网络HG-YOLO
2
作者
崔家礼 刘永基 李子贺 郑瀚
机构
北方工业大学信息学院 广西高校人工智能与信息处理重点实验室(河池学院)
出处
《计算机应用》
北大核心
2025年第12期4004-4011,共8页
基金
广西高校人工智能与信息处理重点实验室(河池学院)开放研究基金资助项目(2024GXZDSY006)。
文摘
在人体姿态检测任务中,现有的深度学习网络存在检测精度不足、网络参数复杂和计算成本高等问题,严重限制了它们的应用。为了解决这些问题,提出一种轻量且高精度的姿态检测改进网络HG-YOLO(High-precision and Ghost YOLO)。针对检测精度不足的问题,在HG-YOLO的主干网络,融合基于Transformer的检测网络RT-DETR(Real-Time DEtection TRansformer),并将大型可分离核注意力(LSKA)模块嵌入主干网络中,以在不增加内存占用和计算复杂性的基础上,提高网络应对复杂场景的特征提取能力,从而提高人体姿态的检测精度。针对网络参数复杂和计算成本高的问题,引入轻量化的Ghost卷积模块替换部分标准卷积,此外,在HG-YOLO的检测头部分,设计一种共享卷积检测头,以通过参数和权重共享机制减少卷积计算,从而降低网络的参数量和计算复杂度。在COCO(Common Objects in COntext)2017-Keypoints数据集和CrowdPose数据集上的实验结果表明,与基准的YOLOv8-Pose网络相比,HG-YOLO的参数量减少了32%,浮点运算量减少了18%;在规模为小型(s)时,在COCO 2017-Keypoints数据集上,AP50(Average Precision at OKS(Object Keypoint Similarity)of 0.50)提升了0.8个百分点,在CrowdPose数据集上,AP提升了2.9个百分点。可见,HG-YOLO不仅轻量,而且检测精度高,是人体姿态检测领域的优秀网络模型。
关键词
姿态检测 高精度增强 大型可分离核注意力 共享卷积检测头 轻量化网络
Keywords
pose detection high-precision enhancement Large Separable Kernel Attention(LSKA) shared convolutional detection head lightweight network
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
题名 改进YOLOv10n的输电线路部件缺陷检测算法
3
作者
王海群 王文科 于海峰
机构
华北理工大学电气工程学院
出处
《电子测量技术》
北大核心
2025年第10期62-72,共11页
基金
河北省自然科学基金(D2024209006) 河北省教育厅科学研究项目(QN2024147)资助。
文摘
针对输电线路巡检图像中部件缺陷检测时易受背景环境干扰、缺陷目标尺度差异大,导致检测精度较低的问题,提出一种改进YOLOv10n的输电线路部件缺陷检测算法。首先,利用RepViTBlock和ELA注意力机制对C2f重新设计,构建ERC2f模块,抑制背景环境干扰,增强模型特征提取能力,并减少参数冗余;其次,结合动态上采样器DySample和注意力尺度序列融合模块ASF设计DASF颈部结构,提升模型的多尺度特征融合能力;再次,基于多样化分支块DBB提出重参化共享卷积检测头RSCD,通过共享参数减少头部参数冗余,加强特征信息的交互能力;最后,借鉴Inner-IoU和WIoUv3的思想优化MPDIoU损失函数为Inner-Wise-MPDIoU,加速模型收敛过程,提高对缺陷的定位精度。实验结果表明,改进算法对输电线路部件缺陷的检测精度mAP50达到了92.1%,较原算法提升了3.4%,参数量和GFLOPs分别减少了19.4%和0.4,证明了该改进算法的有效性。
关键词
YOLOv10n 注意力机制 注意力尺度序列融合 重参化共享卷积检测头 损失函数 缺陷检测
Keywords
YOLOv10n attention mechanisms attention scale sequence fusion rep arametric shared convolutional detection head loss function defect detection
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TN919.8
[电子电信—通信与信息系统]
题名 改进YOLOv8的轻量化无人机航拍目标检测
4
作者
严嘉旭 苏天康 宋慧慧
机构
南京信息工程大学江苏省大数据分析技术重点实验室 江苏省大气环境与装备技术协同创新中心
出处
《计算机系统应用》
2025年第9期151-161,共11页
基金
国家自然科学基金(61872189)。
文摘
无人机航拍场景下的目标检测因目标尺寸小、物体间遮挡严重、尺度变化大等因素,常出现漏检与误检的问题.此外,受限于无人机平台的计算性能,实现高精度与轻量化的实时目标检测具有较大挑战.为此,本文提出了一种改进YOLOv8的轻量级目标检测算法.该算法采用轻量化的分割一切模型(segment anything model,SAM):MobileSAM的图像编码器作为YOLOv8的骨干网络,能够有效地提取多尺度特征,提升模型对小目标的检测效率,同时提高泛化能力,增强在不同任务和数据集上的表现.针对检测头部分,进行了轻量化设计,提出基于共享卷积与自适应特征缩放的轻量化检测头LSCD(lightweight scalable shared convolutional detection head)以减少参数量和计算开销,保持检测精度的同时降低模型参数量.最后,使用归一化高斯Wasserstein距离(normalized Gaussian Wasserstein distance,NWD)损失,提升小目标检测能力.所提算法在VisDrone-DET2019数据集上对小目标的检测精度和召回率相较于原始YOLOv8s模型有较大提升;相比于原始YOLOv8s模型,m AP50提高了3.2%,达到41.4%,且参数量减少了33.9%.在DOTA v1.0数据集上,mAP50达到48.8%,提升了8%,表明算法具有较好的泛化能力.
关键词
无人机航拍场景 目标检测 YOLOv8 轻量化 归一化高斯Wasserstein距离 MobileSAM LSCD
Keywords
UAV aerial perspective target detection YOLOv8 lightweight normalized Gaussian Wasserstein distance(NWD) MobileSAM lightweight scalable shared convolutional detection head (LSCD)
分类号
V19
[航空宇航科学与技术—人机与环境工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
题名 基于目标检测与边缘分割的输电走廊隐患预警方法
5
作者
赵振兵 付龙美 潘逸天 李浩鹏
机构
华北电力大学电子与通信工程系
出处
《电工技术学报》
2026年第3期987-998,1011,共13页
基金
国家自然科学基金(62373151,62371188,62303184) 中央高校基本科研业务费专项资金(2023JC006)资助项目。
文摘
输电线路作为电能传输的关键载体,因其具有点多、面广、线长以及暴露于野外等特点,往往面临较高的安全风险,事故频发。针对这一问题,该文提出了一种基于目标检测与边缘分割的输电走廊隐患检测方法。首先,在YOLOv8中引入小目标检测层和SBA模块,通过选择性聚合边界与语义信息、自适应注意力机制以及双向特征融合,显著优化了多尺度特征表达和目标定位,特别是在小目标检测方面表现突出。采用重参数轻量头和可重参数化卷积,在大幅减少参数数量的同时,提升了参数利用率,有效地弥补了轻量化可能带来的精度损失,为资源受限设备提供了无损优化方案,并利用MPDIoU对CIoU进行了优化。其次,利用分割网络进行电力线边缘提取,并结合杆塔的空间信息,进一步提升了走廊区域划分的准确性。最后,制定了预警方法,对安全区域进行了危险等级划分,有效评估隐患的破坏性。实验结果表明,该文提出的检测模型在mAP50上达到72.1%,相比基线模型提升了3.2个百分点,且优于其他检测方法,该文所采用的利用分割提取电力线边缘的方法能更好地区分前景和背景,该文所提出的预警方法可以有效地评估隐患对电力线的威胁程度。
关键词
外力破坏 SBA 重参数轻量头(rscd ) 安全区域 MPDIoU
Keywords
External damage selective boundary aggregation(SBA) rep shared convolutional detection head (rscd )safety zone minimum point distance based IoU(MPDIoU)
分类号
TM75
[电气工程]
