检索结果-维普期刊中文期刊服务平台

融合GIoU和Focal loss的YOLOv3目标检测算法被引量：29: 1; 作者邹承明薛榕刚《计算机工程与应用》 CSCD 北大核心 2020年第24期214-222,共9页; YOLOv3目标检测算法检测速度快且精度较高,但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法,该算法在YOLOv3的基础上,对网络中的残差块增加旁路连接,进一步进行特征重用,以提取更多的特... 展开更多; 关键词 YOLOv3算法目标检测 giou loss Focal loss; 在线阅读下载PDF 职称材料

改进YOLO v3算法及其在安全帽检测中的应用被引量：57: 2; 作者王兵李文璟唐欢《计算机工程与应用》 CSCD 北大核心 2020年第9期33-40,共8页; YOLO v3目标检测算法由于其速度快、精度较高,在工业中获得了广泛应用,但存在目标函数与评价指标不统一的问题,针对此问题提出了改进YOLO v3目标检测算法。该算法改进GIoU计算方法,并与YOLO v3算法目标函数相结合,设计了一个新的目标函... 展开更多; 关键词目标检测 YOLO v3算法 giou算法安全帽佩戴检测; 在线阅读下载PDF 职称材料

教室监控下学生异常行为检测系统被引量：12: 3; 作者谭暑秋汤国放 +2 位作者涂媛雅张建勋葛盼杰《计算机工程与应用》 CSCD 北大核心 2022年第7期176-184,共9页; 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... 展开更多; 关键词深度学习异常行为教室监控随机擦除 YOLO v3算法 giou; 在线阅读下载PDF 职称材料

基于改进FCOS网络的自然环境下苹果检测被引量：10: 4; 作者龙燕李南南 +2 位作者高研何梦菲宋怀波《农业工程学报》 EI CAS CSCD 北大核心 2021年第12期307-313,共7页; 为了快速识别和准确定位自然环境下苹果果实目标,提出了一种改进全卷积单阶段无锚框(Fully Convolutional One-Stage object detection,FCOS)网络的苹果目标检测方法。该网络在传统FCOS网络基础上,使用模型体积较小的darknet19作为骨干... 展开更多; 关键词目标识别算法苹果检测 giou 焦点损失 FCOS网络; 在线阅读下载PDF 职称材料

基于YOLO v3算法改进的交通标志识别算法被引量：38: 5; 作者江金洪鲍胜利 +1 位作者史文旭韦振坤《计算机应用》 CSCD 北大核心 2020年第8期2472-2478,共7页; 针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点... 展开更多; 关键词交通标志识别 YOLO v3算法广义交并比深度可分离卷积损失函数 Focal损失; 在线阅读下载PDF 职称材料

基于改进的YOLO v3车辆检测方法被引量：5: 6; 作者顾晋罗素云《农业装备与车辆工程》 2021年第7期98-103,共6页; 为了有效地解决传统车辆检测算法中存在的泛化能力差、识别率不高的问题,提出了一种基于改进YOLO v3的车辆检测算法。改进的车辆算法对原YOLO v3中的模型进行剪枝处理,采用Darknet-53网络结构提取特征,同时结合回归损失函数GIOU算法对... 展开更多; 关键词车辆检测深度学习 YOLO v3算法 giou算法 Darknet框架; 在线阅读下载PDF 职称材料

基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法被引量：75: 7; 作者吕石磊卢思华 +3 位作者李震洪添胜薛月菊吴奔雷《农业工程学报》 EI CAS CSCD 北大核心 2019年第17期205-214,共10页; 柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框... 展开更多; 关键词神经网络果树算法柑橘 YOLOv3-LITE 混合训练迁移学习 giou边框回归损失函数; 在线阅读下载PDF 职称材料

题名融合GIoU和Focal loss的YOLOv3目标检测算法被引量：29: 1; 作者邹承明薛榕刚; 机构交通物联网湖北省重点实验室武汉理工大学计算机科学与技术学院鹏程实验室; 出处《计算机工程与应用》 CSCD 北大核心 2020年第24期214-222,共9页; 基金国家重点研发计划(No.2018YFC0704300)。; 文摘 YOLOv3目标检测算法检测速度快且精度较高,但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法,该算法在YOLOv3的基础上,对网络中的残差块增加旁路连接,进一步进行特征重用,以提取更多的特征信息。同时,采用GIoUloss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化。在损失函数中加入Focal loss,减小正负样本不平衡带来的误差。在PASCAL VOC和COCO数据集上的实验结果表明,该算法能够在不影响YOLOv3算法实时性的前提下,提高目标检测的mAP。该算法在PASCAL VOC 2007测试集上达到83.7mAP(IoU=0.5),在COCO测试集上比YOLOv3算法提升2.27mAP(IoU[0.5,0.95])。; 关键词 YOLOv3算法目标检测 giou loss Focal loss; Keywords YOLOv3 algorithm object detection giou loss Focal loss; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名改进YOLO v3算法及其在安全帽检测中的应用被引量：57: 2; 作者王兵李文璟唐欢; 机构西南石油大学计算机科学学院; 出处《计算机工程与应用》 CSCD 北大核心 2020年第9期33-40,共8页; 基金国家科技重大专项(No.2016ZX05020-006)。; 文摘 YOLO v3目标检测算法由于其速度快、精度较高,在工业中获得了广泛应用,但存在目标函数与评价指标不统一的问题,针对此问题提出了改进YOLO v3目标检测算法。该算法改进GIoU计算方法,并与YOLO v3算法目标函数相结合,设计了一个新的目标函数,实现了目标函数局部最优为IoU局部最优。公共数据集VOC2007和安全帽佩戴数据集测试结果表明,相比于YOLO v3算法,改进YOLO v3的mAP-50分别提高了2.07%和2.05%。; 关键词目标检测 YOLO v3算法 giou算法安全帽佩戴检测; Keywords object detection YOLO v3 algorithm giou algorithm helmet wearing test; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术] TU714 [建筑科学—建筑技术科学]; 在线阅读下载PDF 职称材料

题名教室监控下学生异常行为检测系统被引量：12: 3; 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]; 在线阅读下载PDF 职称材料

题名基于改进FCOS网络的自然环境下苹果检测被引量：10: 4; 作者龙燕李南南高研何梦菲宋怀波; 机构西北农林科技大学机械与电子工程学院农业农村部农业物联网重点实验室陕西省农业信息感知与智能服务重点实验室; 出处《农业工程学报》 EI CAS CSCD 北大核心 2021年第12期307-313,共7页; 基金陕西省重点研发计划一般项目—农业领域(2020NY-144)。; 文摘为了快速识别和准确定位自然环境下苹果果实目标,提出了一种改进全卷积单阶段无锚框(Fully Convolutional One-Stage object detection,FCOS)网络的苹果目标检测方法。该网络在传统FCOS网络基础上,使用模型体积较小的darknet19作为骨干网络,将center-ness分支引入到回归分支上。同时提出了一种融合联合交并比(GIoU)和焦点损失(Focal loss)的损失函数,在提高检测性能的同时降低正负样本比例失衡带来的误差。首先,对田间采集的自然环境下的苹果图像进行数据增强和标注,使用darknet骨干网络提取图像特征,然后将不同尺度待检测目标分配到不同的网络层中进行预测,最后进行分类和回归,实现苹果目标的检测。该研究在计算机工作站上对不同光照条件、不同密集程度和不同遮挡程度的苹果果实进行检测试验,并与传统FCOS网络的检测结果进行对比分析。基于改进FCOS网络的检测准确率为96.0%,检测精度均值(mean Average Precision,mAP)为96.3%。试验结果表明,改进FCOS网络比传统FCOS网络的苹果检测方法在检测准确度上有提高,具有较强的鲁棒性。; 关键词目标识别算法苹果检测 giou 焦点损失 FCOS网络; Keywords object recognition algorithms apple detection giou Focal loss FCOS network; 分类号 S126 [农业科学—农业基础科学]; 在线阅读下载PDF 职称材料

题名基于YOLO v3算法改进的交通标志识别算法被引量：38: 5; 作者江金洪鲍胜利史文旭韦振坤; 机构中国科学院成都计算机应用研究所中国科学院大学; 出处《计算机应用》 CSCD 北大核心 2020年第8期2472-2478,共7页; 基金四川省科技厅重点研发项目(2018SZ0040) 四川省新一代人工智能重大专项(2018GZDZX0036)。; 文摘针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比(GIoU)损失替换均方误差(MSE)损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值(mAP)指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数(FPS)亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。; 关键词交通标志识别 YOLO v3算法广义交并比深度可分离卷积损失函数 Focal损失; Keywords traffic sign recognition YOLO v3 algorithm Generalized Intersection over Union(giou) depthwise separable convolution loss function Focal loss; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于改进的YOLO v3车辆检测方法被引量：5: 6; 作者顾晋罗素云; 机构上海工程技术大学机械与汽车工程学院; 出处《农业装备与车辆工程》 2021年第7期98-103,共6页; 文摘为了有效地解决传统车辆检测算法中存在的泛化能力差、识别率不高的问题,提出了一种基于改进YOLO v3的车辆检测算法。改进的车辆算法对原YOLO v3中的模型进行剪枝处理,采用Darknet-53网络结构提取特征,同时结合回归损失函数GIOU算法对检测精度进行提高。在运用K-means++聚类分析算法处理数据基础上,运用所提出的改进YOLO v3算法,基于COCO数据集进行了网络的训练、测试和验证。试验结果表明,改进后的YOLO v3算法在车辆检测上的泛化能力得到提升,并兼具速度优势。; 关键词车辆检测深度学习 YOLO v3算法 giou算法 Darknet框架; Keywords vehicle detection deep learning YOLO v3 algorithm giou algorithm Darknet-53; 分类号 U467.5 [机械工程—车辆工程]; 在线阅读下载PDF 职称材料

题名基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法被引量：75: 7; 作者吕石磊卢思华李震洪添胜薛月菊吴奔雷; 机构华南农业大学电子工程学院国家柑橘产业技术体系机械化研究室广东省农情信息监测工程技术研究中心华南农业大学工程学院; 出处《农业工程学报》 EI CAS CSCD 北大核心 2019年第17期205-214,共10页; 基金国家自然科学基金项目(61601189,31971797) 现代农业产业技术体系建设专项资金(CARS-26) +1 种基金广州市科技计划项目(201803020037); 文摘柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,AverageIoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。; 关键词神经网络果树算法柑橘 YOLOv3-LITE 混合训练迁移学习 giou边框回归损失函数; Keywords neural networks fruits algorithms orange YOLOv3-LITE mixup-training transfer learning giou bounding boxregression loss function; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	融合GIoU和Focal loss的YOLOv3目标检测算法	邹承明薛榕刚	《计算机工程与应用》 CSCD 北大核心	2020	29	在线阅读下载PDF 职称材料
2	改进YOLO v3算法及其在安全帽检测中的应用	王兵李文璟唐欢	《计算机工程与应用》 CSCD 北大核心	2020	57	在线阅读下载PDF 职称材料
3	教室监控下学生异常行为检测系统	谭暑秋汤国放涂媛雅张建勋葛盼杰	《计算机工程与应用》 CSCD 北大核心	2022	12	在线阅读下载PDF 职称材料
4	基于改进FCOS网络的自然环境下苹果检测	龙燕李南南高研何梦菲宋怀波	《农业工程学报》 EI CAS CSCD 北大核心	2021	10	在线阅读下载PDF 职称材料
5	基于YOLO v3算法改进的交通标志识别算法	江金洪鲍胜利史文旭韦振坤	《计算机应用》 CSCD 北大核心	2020	38	在线阅读下载PDF 职称材料
6	基于改进的YOLO v3车辆检测方法	顾晋罗素云	《农业装备与车辆工程》	2021	5	在线阅读下载PDF 职称材料
7	基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法	吕石磊卢思华李震洪添胜薛月菊吴奔雷	《农业工程学报》 EI CAS CSCD 北大核心	2019	75	在线阅读下载PDF 职称材料