期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进YOLOv8n算法的城市空间混行交通参与者检测模型
1
作者 周军超 陈鑫 +1 位作者 高建杰 章杰 《中国安全科学学报》 CSCD 北大核心 2024年第12期178-186,共9页
为提升智能网联汽车和交通监测系统对交通参与者的识别精度和检测速度,及时应对城市空间混行交通环境中的安全隐患,提出一种基于改进YOLOv8n算法的城市空间混行交通参与者检测模型。首先,在数据输入阶段利用几何变换和像素变换策略来防... 为提升智能网联汽车和交通监测系统对交通参与者的识别精度和检测速度,及时应对城市空间混行交通环境中的安全隐患,提出一种基于改进YOLOv8n算法的城市空间混行交通参与者检测模型。首先,在数据输入阶段利用几何变换和像素变换策略来防止过度拟合,提高鲁棒性和泛化性;其次,使用空间到深度的非跨行卷积(SPD-Conv)模块代替所有原始卷积层,提高对低分辨率小目标的特征提取能力;同时,在颈部网络融合结构中加入轻量级坐标注意力机制(CA)模块,在几乎不添加任何计算开销的同时提高对关键信息的识别精度;然后,用边界框损失函数有效交并比(EIoU)替代原损失函数,使模型获得更卓越的收敛速度与识别稳定性;最后,利用平台公开和自建融合的交通参与者数据集(BNS)进行消融和对比试验,运用自动驾驶试验平台进行实景实时检测。结果表明:相比于基线模型YOLOv8n,改进模型SEC-YOLO的每秒传输帧数(FPS)和平均精度均值(mAP)分别提高了7.3%和3.2%;与主流模型对比,mAP和FPS性能值最佳;在自动驾驶试验平台上的实景检测平均准确率为95%。SEC-YOLO算法模型对城市交通参与者的检测准确率更高,鲁棒性和实时性更强。 展开更多
关键词 YOLOv8n 空间混行 交通参与者 检测模型 空间到深度的非跨行卷积(SPD-Conv) 坐标注意力机制(CA)
在线阅读 下载PDF
基于改进YOLOv8s的遥感图像目标检测
2
作者 刘雅 张智 《计算机工程与设计》 北大核心 2025年第5期1459-1466,共8页
针对遥感图像存在的小目标密集、目标遮挡、背景复杂等问题,提出一种改进YOLOv8s的遥感图像目标检测网络模型。采用空间到深度卷积中的SPD模块,在特征提取时保留更多信息;基于Bottleneck Transformer设计BOT模块,在保持全局上下文建模... 针对遥感图像存在的小目标密集、目标遮挡、背景复杂等问题,提出一种改进YOLOv8s的遥感图像目标检测网络模型。采用空间到深度卷积中的SPD模块,在特征提取时保留更多信息;基于Bottleneck Transformer设计BOT模块,在保持全局上下文建模的同时,更好地捕捉图像中的局部特征;引入注意力机制设计C2fGAM模块,聚焦有效信息,抑制无效背景信息;将上采样模块替换为CARAFE上采样,提高特征重建质量。实验结果表明,该模型相较其它算法具有更好的检测效果和较强的通用性。 展开更多
关键词 YOLOv8s 目标检测 深度学习 遥感图像 空间到深度卷积 TRANSFORMER 注意力机制
在线阅读 下载PDF
基于多标签补偿的改进YOLOv8鱼体病害检测方法 被引量：2
3
作者 汤永华 张志鹏 +3 位作者 林森 刘兴通 荣弘扬 王腾川 《农业工程学报》 CSCD 北大核心 2024年第23期227-234,共8页
为解决智能渔业养殖中鱼体病害因特征不明显,目标较小导致病鱼清理效率低的问题,该研究提出一种改进YOLOv8鱼体病害检测模型MS-YOLOv8。首先,采用空间到深度(SPD,space-to-depth)卷积替换YOLOv8网络模型中的跨行卷积,优化下采样,增加图... 为解决智能渔业养殖中鱼体病害因特征不明显,目标较小导致病鱼清理效率低的问题,该研究提出一种改进YOLOv8鱼体病害检测模型MS-YOLOv8。首先,采用空间到深度(SPD,space-to-depth)卷积替换YOLOv8网络模型中的跨行卷积,优化下采样,增加图像信息利用率;同时,提出一种多标签边界框损失函数MLIoU(multi-label IoU),在正负样本匹配时保留能够覆盖多个病害区域的边界框,补偿模型在最优化IoU损失时,模型分类能力下降的问题,进而减少小目标病害的漏检率。试验结果表明,YOLOv8使用MLIoU时,在简单、一般、复杂3种难度鱼体病害的检测中,检出率比使用最新方法Inner-SIoU提高11.13、3.76、12.38个百分点,相比原模型提高6.27、0.66、3.01个百分点。MS-YOLOv8均值平均精度相比YOLOv5n、YOLOv7、YOLOv8n分别高出12.05、10.18、11.15个百分点,总检出率95.36%,每秒检测图像132帧,综合性能表现出明显优势。在实际检测中,MS-YOLOv8可以抑制相似于鱼体病害的背景干扰,且能够针对草鱼、鲢鱼等多种鱼类进行伤病检测,表现出优异的泛化能力和鲁棒性。研究结果可为渔业中病鱼清理工作提供有效技术支持。 展开更多
关键词 鱼体 病害 深度学习 YOLOv8 多标签损失 空间到深度卷积
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部