为了解决教育智能化重构中对于教室人员的高效监督管理和数据分析,结合单阶段目标检测算法的优良特性和卷积神经网络(convolutional neural networks,CNN)良好的特征提取能力,提出了一种基于注意力机制网络和迁移时间序列改进YOLO目标...为了解决教育智能化重构中对于教室人员的高效监督管理和数据分析,结合单阶段目标检测算法的优良特性和卷积神经网络(convolutional neural networks,CNN)良好的特征提取能力,提出了一种基于注意力机制网络和迁移时间序列改进YOLO目标检测算法的教室人员目标检测算法.首先,对源视频流进行逐帧抽取和非畸变的图像放缩,通过生成对抗网络(generative adversarial network,GAN)进行图像超分辨处理;其次,对每帧图像进行多尺度采样和初步目标检测;然后,根据不同尺度得到的候选结果进行非极大抑制(non maximum suppression,NMS)以去除置信度较低的个体;之后,对候选结果进行融合,再使用交并比(intersection over union,IoU)进行重叠度计算以更新数据、去除重合或过于紧密的定位位置,然后将当前帧的检测结果与先前时间区间中的检测结果作为时间序列进行统计学数据迁移融合(time series migration,TSM)获得最后的检测结果.实验结果表明,本文方法不仅有效地提升了教室人员目标检测的准确率,并且可以进行实时检测.展开更多
文摘为了解决教育智能化重构中对于教室人员的高效监督管理和数据分析,结合单阶段目标检测算法的优良特性和卷积神经网络(convolutional neural networks,CNN)良好的特征提取能力,提出了一种基于注意力机制网络和迁移时间序列改进YOLO目标检测算法的教室人员目标检测算法.首先,对源视频流进行逐帧抽取和非畸变的图像放缩,通过生成对抗网络(generative adversarial network,GAN)进行图像超分辨处理;其次,对每帧图像进行多尺度采样和初步目标检测;然后,根据不同尺度得到的候选结果进行非极大抑制(non maximum suppression,NMS)以去除置信度较低的个体;之后,对候选结果进行融合,再使用交并比(intersection over union,IoU)进行重叠度计算以更新数据、去除重合或过于紧密的定位位置,然后将当前帧的检测结果与先前时间区间中的检测结果作为时间序列进行统计学数据迁移融合(time series migration,TSM)获得最后的检测结果.实验结果表明,本文方法不仅有效地提升了教室人员目标检测的准确率,并且可以进行实时检测.
