-
题名特征增强的低照度爆破现场安全帽检测算法
- 1
-
-
作者
王新良
王璐莹
-
机构
河南理工大学物理与电子信息学院
-
出处
《计算机工程》
北大核心
2025年第3期252-260,共9页
-
基金
河南省高等学校青年骨干教师培养计划(2019GGJS060)
河南省高等学校重点科研基金项目(21B413005)。
-
文摘
安全帽是保障爆破作业人员人身安全的重要工具。受低照度爆破现场安全帽检测任务中目标视觉信息模糊、图像亮度低及对比度低的影响,在目标检测过程中存在目标漏检、误检等问题。基于YOLOX提出了特征增强的安全帽检测算法FEM-YOLOX。首先,在主干网络使用软池化构建软空间金字塔池化模块(SSPPM),减少了特征映射中的信息弥散,并在下采样映射中保留了更多上下文信息;其次,设计基于高效通道注意力(ECA)机制的高效特征融合模块(EFFM),加强了模型对目标区域特征的学习,提高了特征融合的效率,减少了模型误检情况的出现;再次,采用VariFocalLoss替代BCEWithlogitsLoss,动态调整正负样本的权重,使得模型关注数量较少的正样本,加速了模型的收敛过程,提升了两类目标的检测精度;最后,采用CIoU作为边框回归损失函数,提高了模型定位目标预测框的精度。实验结果表明,所提算法的均值平均精度(mAP)相较于基线算法提升了2.21百分点,每秒处理的图像数量提升了7.67,满足了低照度爆破现场安全帽实时检测的精度和速度需要。
-
关键词
安全帽检测
YOLOX-s算法
注意力机制
边框回归损失函数
置信度损失函数
-
Keywords
safety helmet detection
YOLOX-s algorithm
attention mechanism
bounding box regression loss function
confidence loss function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv3的遥感图像小目标检测
被引量：12
- 2
-
-
作者
冯号
黄朝兵
文元桥
-
机构
武汉理工大学信息工程学院
武汉理工大学智能交通系统研究中心
-
出处
《计算机应用》
CSCD
北大核心
2022年第12期3723-3732,共10页
-
基金
国家自然科学基金资助项目(52072287)。
-
文摘
YOLOv3算法被广泛地应用于目标检测任务。虽然在YOLOv3基础上改进的一些算法取得了一定的成果,但是仍存在表征能力不足且检测精度不高的问题,尤其对小目标的检测还不能满足需求。针对上述问题,提出了一种改进YOLOv3的遥感图像小目标检测算法。首先,使用K均值聚类变换(K-means-T)算法优化锚框的大小,从而提升先验框和真实框之间的匹配度;其次,优化置信度损失函数,以解决难易样本分布不均衡的问题;最后,引入注意力机制来提高算法对细节信息的感知能力。在RSOD数据集上进行实验的结果显示,与原始的YOLOv3算法、YOLOv4算法相比,所提算法在小目标“飞机(aircraft)”类上的平均精确率(AP)分别提高了7.3个百分点和5.9个百分点。这表明所提算法能够有效检测遥感图像小目标,具有更高的准确率。
-
关键词
小目标检测
YOLOv3
K均值聚类变换
置信度损失函数
注意力机制
-
Keywords
small target detection
YOLO(You Only Look Once)v3
K-means Transformation(K-means-T)
confidence loss function
attention mechanism
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
