针对水下环境复杂多变,水下小目标检测容易出现漏检、误检、精测精度低等问题,提出了一种改进的YOLOv7-tiny水下目标检测模型。首先,在特征融合网络(Neck)部分引入卷积块注意力模块(CBAM),在提取特征时,通过调节各通道之间的权重参数,...针对水下环境复杂多变,水下小目标检测容易出现漏检、误检、精测精度低等问题,提出了一种改进的YOLOv7-tiny水下目标检测模型。首先,在特征融合网络(Neck)部分引入卷积块注意力模块(CBAM),在提取特征时,通过调节各通道之间的权重参数,提高对特征对象的特征提取能力;其次,采用柔性非极大抑制算法(softNMS)替换原有网络中的非极大抑制算法(NMS),通过适当保留重叠的检测框,提高重叠目标的检测精度;最后,使用轻量化上采样算子CARAFE(content-aware ReAssembly of FEatures)替换原模型中的最邻近插值,将不同尺度的特征信息融合起来,提高模型的表达能力。结果表明,改进后的目标检测模型与原模型,YOLOv5,YOLOv8相比,平均精度均值分别提高了3.72%,5.32%和1.70%,达到了较好的检测效果。展开更多
针对于工业场所中密集场景下安全帽佩戴出现的漏检情况以及提高检测精度,提出了一种基于改进YOLOv5s的工业安全帽检测算法.首先,采用CIOU优化Soft-NMS对密集人群重叠的情况,减少重叠目标的漏检,从而提高了安全帽检测的准确性.其次,在网...针对于工业场所中密集场景下安全帽佩戴出现的漏检情况以及提高检测精度,提出了一种基于改进YOLOv5s的工业安全帽检测算法.首先,采用CIOU优化Soft-NMS对密集人群重叠的情况,减少重叠目标的漏检,从而提高了安全帽检测的准确性.其次,在网络的中间层添加辅助训练头引入丰富的梯度信息,最后,辅助训练头结合Optimal Transport Assignment添加到Loss中,通过最优的目标匹配,减少模型的漏检和误检的情况,从而提升模型的准确率和召回率.实验结果表明,改进后的算法平均精确值(mAP@50-90)值为68.3%,相对于原YOLOv5s算法提升了3.8%,准确率为92.3%,相较于原YOLOv5s算法提高了0.7%.展开更多
文摘针对水下环境复杂多变,水下小目标检测容易出现漏检、误检、精测精度低等问题,提出了一种改进的YOLOv7-tiny水下目标检测模型。首先,在特征融合网络(Neck)部分引入卷积块注意力模块(CBAM),在提取特征时,通过调节各通道之间的权重参数,提高对特征对象的特征提取能力;其次,采用柔性非极大抑制算法(softNMS)替换原有网络中的非极大抑制算法(NMS),通过适当保留重叠的检测框,提高重叠目标的检测精度;最后,使用轻量化上采样算子CARAFE(content-aware ReAssembly of FEatures)替换原模型中的最邻近插值,将不同尺度的特征信息融合起来,提高模型的表达能力。结果表明,改进后的目标检测模型与原模型,YOLOv5,YOLOv8相比,平均精度均值分别提高了3.72%,5.32%和1.70%,达到了较好的检测效果。
文摘针对于工业场所中密集场景下安全帽佩戴出现的漏检情况以及提高检测精度,提出了一种基于改进YOLOv5s的工业安全帽检测算法.首先,采用CIOU优化Soft-NMS对密集人群重叠的情况,减少重叠目标的漏检,从而提高了安全帽检测的准确性.其次,在网络的中间层添加辅助训练头引入丰富的梯度信息,最后,辅助训练头结合Optimal Transport Assignment添加到Loss中,通过最优的目标匹配,减少模型的漏检和误检的情况,从而提升模型的准确率和召回率.实验结果表明,改进后的算法平均精确值(mAP@50-90)值为68.3%,相对于原YOLOv5s算法提升了3.8%,准确率为92.3%,相较于原YOLOv5s算法提高了0.7%.
