-
题名教室监控下学生异常行为检测系统
被引量：12
- 1
-
-
作者
谭暑秋
汤国放
涂媛雅
张建勋
葛盼杰
-
机构
重庆理工大学计算机科学与工程学院
中国矿业大学计算机科学与工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第7期176-184,共9页
-
基金
重庆市基础研究与前沿探索项目(cstc2018jcyjAX0286)
重庆市教育委员会科学技术研究项目(KJZD-K201801901)。
-
文摘
针对教室监控中学生异常行为无法实时检测并反馈的现状,设计了一套基于YOLO v3算法的教室监控学生异常行为检测系统,包括摄像头硬件采集、异常行为识别和响应三个模块。其中采用基于数据标签的随机擦除预处理方法模拟图像中的目标被遮挡的情形,提高网络的泛化能力,使得网络仅通过学习局部特征即可完成目标的检测和识别;其次改进了YOLO v3算法的骨干网络Darknet,扩充浅层网络,使网络不容易忽略图片边缘或小目标物体。改进后网络的精准度、召回率以及运算速度分别提升4.2%、4.8%和8 frame/s;最后将检测功能集成于Qt编写的可视化软件,降低使用检测模型的成本,满足实时检测任务的要求,一定程度上减轻教员工作量并且提升课堂效率。
-
关键词
深度学习
异常行为
教室监控
随机擦除
YOLO
v3算法
GIoU
-
Keywords
deep learning
abnormal behavior
classroom monitoring
random erasers
YOLO v3 algorithm
GIoU
-
分类号
TP391.43
[自动化与计算机技术—计算机应用技术]
-
-
题名Lite-YOLOv3轻量级行人与车辆检测网络
被引量：8
- 2
-
-
作者
涂媛雅
汤国放
张建勋
-
机构
重庆理工大学计算机科学与工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2023年第1期211-217,共7页
-
基金
重庆市教育委员会科学技术重点研究项目(KJZD-K201801901)资助。
-
文摘
基于卷积神经网络的目标检测在智能交通领域有着重要的应用,但存在复杂网络模型计算速度慢、简单网络模型精准度低两种问题.针对此问题,本文提出了基于Lite-YOLOv3的行人与车辆检测方法,该方法基于Tiny-YOLOv3网络模型进行改进.首先,本文采用卷积代替下采样方案解决Tiny-YOLOv3网络特征提取损失问题.然后其骨干层采用改进的瓶颈块(BottleneckBlock)对前一层网络特征图进行降维、连接输入输出特征图,使得网络参数量大幅下降、防止网络退化.其预测层采用改进后的深度可分离卷积块(Depthwise Separable Convolution),分离深度卷积和点卷积可以有效降低网络运算成本,加快网络运算速度.Lite-YOLOv3相较于Tiny-YOLOv3网络的运算速度提升了27.27%,mAP提高了9.07%.
-
关键词
tiny-YOLOv3算法
车辆检测
行人检测
瓶颈层
深度可分离卷积
-
Keywords
tiny-YOLOv3 algorithm
vehicle detection
pedestrians detection
bottleneck layer
depthwise separable convolution
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
