YOLOv3目标检测算法在检测目标时没有考虑边界框坐标定位存在的不确定性,因此有时不能得出正确的检测结果。针对此问题,提出YOLO-wLU(YOLO with Localization Uncertainty)算法。该算法借鉴深度学习中的不确定性思想,使用高斯分布函数...YOLOv3目标检测算法在检测目标时没有考虑边界框坐标定位存在的不确定性,因此有时不能得出正确的检测结果。针对此问题,提出YOLO-wLU(YOLO with Localization Uncertainty)算法。该算法借鉴深度学习中的不确定性思想,使用高斯分布函数建立边界框坐标的概率分布模型以考虑边界框坐标定位不确定性;设计新的边界框损失函数,在检测过程中移除定位不确定性较大的检测结果;通过融合周围边界框坐标信息提高了边界框坐标辨识结果的准确性。实验结果表明,该算法可有效减少误报率,提高检测精度;COCO数据集上测试结果显示,相比YOLOv3算法,该算法的mAP最高可提升4.1个百分点。展开更多
为提高传统的蒙特卡罗模拟方法进行公差数值分析时计算结果的收敛速度,基于数论中的佳点集理论构造出一种新的准蒙特卡罗法(quasi-Monte Carlo method)。在此基础上建立了基于确定性定位分析的白车身翼子板装配三维偏差模型,分别采用传...为提高传统的蒙特卡罗模拟方法进行公差数值分析时计算结果的收敛速度,基于数论中的佳点集理论构造出一种新的准蒙特卡罗法(quasi-Monte Carlo method)。在此基础上建立了基于确定性定位分析的白车身翼子板装配三维偏差模型,分别采用传统的蒙特卡罗伪随机数序列和基于佳点集的准蒙特卡罗法序列对该模型进行公差数值分析。在理论分析基础上的结果表明,在进行高精度复杂机械产品的装配公差分析过程中,与传统的蒙特卡罗模拟方法相比,所提出的方法的计算结果所需要的统计样本较少并且精度较高。展开更多
文摘YOLOv3目标检测算法在检测目标时没有考虑边界框坐标定位存在的不确定性,因此有时不能得出正确的检测结果。针对此问题,提出YOLO-wLU(YOLO with Localization Uncertainty)算法。该算法借鉴深度学习中的不确定性思想,使用高斯分布函数建立边界框坐标的概率分布模型以考虑边界框坐标定位不确定性;设计新的边界框损失函数,在检测过程中移除定位不确定性较大的检测结果;通过融合周围边界框坐标信息提高了边界框坐标辨识结果的准确性。实验结果表明,该算法可有效减少误报率,提高检测精度;COCO数据集上测试结果显示,相比YOLOv3算法,该算法的mAP最高可提升4.1个百分点。
文摘为提高传统的蒙特卡罗模拟方法进行公差数值分析时计算结果的收敛速度,基于数论中的佳点集理论构造出一种新的准蒙特卡罗法(quasi-Monte Carlo method)。在此基础上建立了基于确定性定位分析的白车身翼子板装配三维偏差模型,分别采用传统的蒙特卡罗伪随机数序列和基于佳点集的准蒙特卡罗法序列对该模型进行公差数值分析。在理论分析基础上的结果表明,在进行高精度复杂机械产品的装配公差分析过程中,与传统的蒙特卡罗模拟方法相比,所提出的方法的计算结果所需要的统计样本较少并且精度较高。
