共查询到18条相似文献,搜索用时 78 毫秒
1.
为解决轻量级目标检测算法中由于分类损失较大导致算法精确度低的问题,提出一种对目标的位置与分类使用双检测头的检测方法.算法中用卷积头对位置进行检测,用全连接头对分类进行检测;分类检测时特征图经过卷积层后融合位置回归分支的特征图,再使用全连接层对特征图进行处理;并提出分组全连接的方式进一步减少全连接层的计算量.在VOC数据集上对算法进行训练,结果表明,改进后模型的分类损失有了明显的下降,有效地提升了轻量级目标检测算法的检测精确度,算法在VOC测试集上达到70.08%的精确度. 相似文献
2.
基于深度学习的目标检测算法因其模型复杂度和对计算能力的要求,难以部署在移动设备等低算力平台上。为了降低模型的规模,提出一种轻量级目标检测算法。该算法在自顶向下的特征融合的基础之上,通过添加注意力机制构建特征金字塔网络,以达到更细粒度的特征表达能力。该模型以分辨率为320×320的图像作为输入,浮点运算量只有0.72 B,并在VOC数据集上取得了74.2%的mAP,达到了与传统单阶段目标检测算法相似的精度。实验数据表明,该算法在保持了检测精度的同时显著降低了模型运算量,更适合低算力条件下的目标检测。 相似文献
3.
为深入了解某地区复合绝缘子硅橡胶伞裙表面老化的微观结构,本文对其进行了详细的分析和研究,采集了某地区复合绝缘子硅橡胶伞裙的样本,并通过扫描电子显微镜(JSM-7800)观察和分析了其表面。实验结果表明,硅橡胶伞裙表面出现了明显的老化现象,包括颗粒状物质的沉积、裂纹的形成和颜色的变化等。本文通过分析和研究某地区复合绝缘子硅橡胶伞裙表面老化微观结构,揭示了其老化现象的微观特征。 相似文献
4.
5.
随着经济的蓬勃发展、科技的不断进步,车牌检测技术逐渐成为智能交通系统中的一个关键性环节。然而交通环境的愈加复杂化,也给车牌检测技术带来了新的机会和困难。在更加多变的真实场景下,传统车牌检测技术面临着巨大的挑战,检测性能的不足会导致更多的新生问题和增加较多的交通管理成本。近年来,基于深度学习的方法已经在车牌检测领域取得了显著进步,然而检测速度慢、面临复杂场景时检测精度不够等问题依然存在。本文基于单阶段的通用目标检测框架,构建了一种快速轻量的车牌检测算法。采用了轻量化特征提取的基础网络结构,相较于其他基于深度学习的方法,大幅减少了参数量,提高了检测速度,同时我们利用神经结构搜索(NAS)改进了模型中特征金字塔关键部分,在不损失模型性能的前提下,提高了模型的学习能力并优化了特征抽取方式。通过在CCPD-green数据集上的大量对比实验证明,改进后的模型相较于传统的单阶段检测算法,在定性和定量方面都取得了进步。 相似文献
6.
针对基于关键点的目标检测参数量大、检测框误匹配的问题,提出一种轻量级的基于关键点检测的无锚框目标检测算法。首先将输入图片输入优化过的特征提取算法,通过级联角池化与中心池化,输出3个关键点的热力图与它们的嵌入向量;然后通过嵌入向量匹配热力图并画出检测框。文中的创新点在于将SqueezeNet中的轻量级模块firemodule适配至CenterNet,并用深度可分离卷积代替主干网的常规卷积,同时,针对CenterNet的检测框误匹配问题优化了算法输出形式与训练时的损失函数。实验结果表明,改良后的算法使得原有的CenterNet算法模型尺寸缩小为原来的1/7,同时检测精度与速度较YOLOv3,CornerNet-Lite等相同量级的算法仍有所提高。 相似文献
7.
李宝根 《计算机应用与软件》2021,38(9):205-213
传统的图像关键点检测算法大都基于人工设计,不能适应场景变换,泛化性能较差.对此提出一种基于特征金字塔网络的图像关键点检测算法,通过融合网络中多尺度特征使得检测出的关键点具备尺度不变性,能够提取可重复的、鲁棒的关键点.为了提高算法的性能,并提出一种有效的方法产生训练数据集,训练数据集包括室内和室外的各种复杂场景.在多个公开数据集上对该算法进行测试,并与其他关键点检测算法进行对比,实验结果表明,该算法所提取的关键点在可重复率上有良好的表现. 相似文献
8.
为解决以往算法无法平衡精度和模型大小的问题,提出一种基于上下文学习的轻量级自动抠图算法.采用上下文特征聚合模块和编解码结构相结合的方式进行网络构建,其中编解码器能够有效进行特征提取,通过恢复空间信息捕获更清晰的对象边界;上下文特征聚合模块能够编码多尺度的上下文信息,保留更多细节纹理特征,提高结果的精度.将深度可分离卷积... 相似文献
9.
缺陷分类是钢铁表面缺陷检测的重要内容。在卷积神经网络(CNN)取得良好效果的同时,网络日益增长的参数量耗费了大量计算成本,为缺陷分类任务在个人计算机或低算力设备上的部署带来了巨大的挑战。针对上述问题,提出了一种新颖的轻量级网络模型Mix-Fusion。首先,通过组卷积和通道洗牌两种操作,在保持精度的同时有效降低计算成本;其次,利用一个狭窄的特征映射对组间信息进行融合编码,并将生成的特征与原始网络结合,从而有效解决了“稀疏连接”卷积阻碍组间信息交换的问题;最后,用一种新型的混合卷积(MixConv)替代了传统的深度卷积(DWConv),以进一步提高模型的性能。在NEU-CLS数据集上的实验结果表明,Mix-Fusion网络在缺陷分类任务中的浮点运算次数和分类准确率分别为43.4 MFLOPs和98.61%。相较于ShuffleNetV2和MobileNetV2网络,Mix-Fusion网络不仅降低了模型参数,压缩了模型大小,同时还得到了更好的分类精度。 相似文献
10.
目标检测是计算机视觉领域中一个相当活跃的研究领域,通过设计大型的深度卷积神经网络来提高目标检测的精度是一种十分有效的方法,然而目前在内存受限的应用场景中并不支持部署大型目标检测网.针对以上问题,文中提出了一种基于You Only Look Once(YOLO)系列单镜头目标检测网络设计原则的轻量级目标检测网,融合了GhostNet中的Ghost Module模块,并参考了MobileNet-v3中的通道注意力模块SE(Squeeze-and-Excitation),在卷积块中加入更优的ECA(Efficient Channel Attention)模块可以更好地利用可用的网络容量,使得网络在减少体系结构和计算的复杂度以及提升模型性能之间实现强的平衡;并且采用了Distance-IoU loss来解决检测框定位不准的问题,有效地提升了网络的收敛速度.最终模型的参数数量被压缩到了1.54 MB,小于YOLO Nano(即4.0MB),并且在VOC2007测试集上的mAP达到了72.1%,高于现有的YOLO Nano(即69.1%). 相似文献
11.
随着深度学习的发展,神经网络模型的体积越来越大,伴随而来的是参数量与计算量的增多,但实际安全帽检测环境下需要把网络模型部署在算力有限的移动端或嵌入式设备中,而这些设备无法支持复杂的计算量。针对这个问题,提出了一种适合部署在移动设备的轻量级目标检测网络HourGlass-YOLO(HG-YOLO)。以YOLOv5为基础模型,基于Inverted Resblock结构重构了新的主干特征提取网络HourGlass;并使用通道剪枝技术,对BatchNormalization(BN)层进行稀疏训练,将权值较小的通道进行删减,在保证精度的情况下,减少模型的参数;融合卷积层和BN层来加快在CPU上的推理速度。实验结果表明HG-YOLO在保证精度的情况下,将YOLOv5模型的体积压缩87%、浮点数减少86%、参数量降低89%,相比SSD在检测速度上快了8.2倍,更适合实际工业场景中的部署。 相似文献
12.
13.
为了避免人们边行走边使用手机发生危险,本文提出了实时性强的轻量级模型(Mobile-YOLOv3)来检测路面障碍.我们在广州各地拍摄路障图片并标注了一个路障数据集,使用了一个轻量级的MobileNetv1网络来替换YOLOv3的骨干网络实现轻量化,并且应用了4个方法用于提高检测精度和模型的鲁棒型.4个方法分别为:边框回... 相似文献
14.
常态化疫情防控形势下,火车站、地铁站等公共场所人群密集,容易发生病毒的传播。针对人群密集场所口罩目标较小、模型参数量大、难以部署的问题,提出一种改进的轻量级结构重参数化网络。在Retinaface算法上,使用双重级联金字塔网络替换原有的特征融合网络,增强特征信息,提高对小尺度目标的检测效果;同时使用结构重参数化网络RepVGG替换原有的MobileNet0.25主干网络,在模型训练时,通过残差结构提高模型特征提取能力,在模型推理时,通过模型结构重新参数化减少模型参数,提高推理速度。实验结果表明,本文算法在GPU上帧率达到92.59 fps,在自建数据集的3个不同等级的验证集上的平均准确率(mAP)达到94.17%、93.30%、86.88%,相比原始Retinaface算法分别提高了1.17个百分点、2.89个百分点、5.35个百分点,可以更好地在自然场景中进行口罩佩戴检测。 相似文献
15.
YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。 相似文献
16.
现有ManTra-Net、DWT-CNN等基于深度学习的数字图像篡改检测算法存在计算复杂度高、检测准确度低等问题。为提取图像篡改与非篡改区域的差异性特征,提出一种基于MobileNetV3-LSTM混合模型的图像篡改检测算法。采用双分支网络架构,主分支网络为带有空洞卷积的轻量级CNN特征提取网络,副分支网络学习篡改图像边界上的差异性,在融合多尺度特征后进行端到端训练,最终输出预测定位图。在COVERAGE、CASIA2和COLUMBIA标准数据集上的实验结果表明,与Xavier-CNN、ELA等算法相比,该算法检测准确度平均提高9.2个百分点,参数量缩减82.3%,推理速度加快2倍,并且具有一定的泛化能力,适用于复制-粘贴、拼接等图像篡改操作的篡改区域检测定位任务。 相似文献
17.
针对目前电网巡检系统中采用红外成像检测绝缘子串特征的效果受环境影响,提出联合显著区域和Fast-CNN网络(改进后的卷积神经网络)用于绝缘子特征检测研究。显著区域检测首先采用超像素描述各区域位置的整体信息;然后基于各超像素的特征协方差信息计算各超像素的显著度得到大致显著区域;再通过区域模块化和局部复杂度对比提取显著特征,同时将2种方法提取的显著特征分别输入改进后的Fast-CNN网络进行显著区域检测,同时引入动态自适应池化模型和余弦窗处理中间层,最后通过多次迭代训练得到绝缘子特征,避免CNN模型耗时的全图搜索。将本文算法在红外图像库中进行测试,本文算法的F-Measure以及平均误差MAE均优于当前流行算法。 相似文献
18.
车牌识别技术在交通管理中发挥着重要作用,其中车牌检测环节对后续识别性能有重大影响。现有的车牌检测系统容易受到外部环境的干扰,在自然场景下的检测性能差。提出一种基于多尺度注意力融合的车牌检测网络模型,利用金字塔网络特征图和CBAM(Convolutional Block Attention Module)注意力结构,提高小目标的检测精度。同时该方法不仅能够准确地检测定位出自然场景下的车牌,还能精确地定位出车牌的4个角点,有利于后续的车牌识别应用。实验中采用数据增强方法对CCPD数据集进行扩增,有效缓解了复杂环境变化对车牌检测造成的影响,增强了模型鲁棒性。通过对模型进行训练和测试,获得了98.05%的平均精确率和98.71%的召回率,优于其他车牌检测方法,并且帧率达到64?frame/s,实时性高。 相似文献