基于RP-ResNet网络的抓取检测方法

针对目前机器人抓取中实时性差和小目标物体抓取效果不理想的问题,提出基于RP-ResNet网络的抓取检测方法。该方法以模型ResNet-50为基础,引入Region Proposal Network(RPN)网络与改进型空间金字塔结构,使用SENet机构增强通道注意力,充分提取不同深度语义信息,加强对高低层信息的利用,增加了抓取点检测的准确性。在Cornell数据集上进行实验验证,结果表明,RP-ResNet网络结构达到实验要求,能够提高物体检测的准确度与检测效率。     

基于嵌入式移动端的目标检测算法

针对因夜晚无可见光的条件下导致目标难以检测的问题,基于嵌入式平台应用设备,提出了无人目标检测的优化改进模型,提出了更优的检测速度与检测精度的模型。该优化改进后的模型以YOLOv3-tiny为基础框架,使用Small Batch-K-Means聚类算法计算anchor box数量;在网络关键位置中使用注意力机制,通过强化检测目标关注以提高抗干扰能力。在KAIST Multispectral Pedestrian Detection Benchmark数据集中的实验表明,该算法与传统YOLOv3-tiny算法相比在检测精度和速度上都有明显的提高。