针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络C...针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet模块进行图像的特征提取;2)改进YOLOv4网络的加强特征提取部分PANet结构;3)结合迁移学习与YOLOv4网络训练技巧。通过试验将YOLOv4及其MobileNet系列轻量化网络与Faster-RCNN系列网络和SSD系列网络进行对比,结果表明,改进的YOLOv4-GhostNet模型平均准确率达到79.38%,检测速度可达1 s 34.51帧,模型权重大小缩减为42.45 MB,在保持检测精度达到较高水平的同时模型参数量大幅度降低,适用于部署在计算能力不足的嵌入式设备上。展开更多
针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题,提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法。首先,将YOLOv3的主干网络替换为GhostNet,保留多尺度预测部分,利用Ghost模块减少深度网...针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题,提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法。首先,将YOLOv3的主干网络替换为GhostNet,保留多尺度预测部分,利用Ghost模块减少深度网络模型参数和计算量,在Ghost模块中融入注意力机制给予重要特征更高的权值。然后,引入目标检测的直接评价指标GIoU来指导回归任务。最后,利用Deep-Sort算法进行跟踪。在公共数据集上实验表明,改进后的模型平均精确度均值(mean Average precision,mAP)达到了92.53%,帧速率是YOLOv3模型的2.5倍;所提算法跟踪准确度优于改进前及其他算法,可以精确有效地跟踪复杂场景下的多目标行人,并具有较强的鲁棒性。展开更多
为加速AprilTag检测,提出了一种基于改进YOLOv5s预提取RoI(region of interest)的AprilTag检测方法。改进YOLOv5s网络,在输入灰度图像的单通道模式下,分别采用Ghost Bottleneck和ConvNeXt Block替换主干网络和颈部网络的C3和瓶颈模块,...为加速AprilTag检测,提出了一种基于改进YOLOv5s预提取RoI(region of interest)的AprilTag检测方法。改进YOLOv5s网络,在输入灰度图像的单通道模式下,分别采用Ghost Bottleneck和ConvNeXt Block替换主干网络和颈部网络的C3和瓶颈模块,提高模型的推理速度和泛化能力;通过亮度增强扩充数据集,提高模型鲁棒性。基于改进的YOLOv5网络进行AprilTag预识别,通过输出锚框划分RoI进行AprilTag检测,缩小图像处理范围,提高计算效率。实验结果表明,提出的AprilTag检测方法在1080P图像下FPS比传统AprilTag算法提高了77.42%以上。展开更多
文摘针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet模块进行图像的特征提取;2)改进YOLOv4网络的加强特征提取部分PANet结构;3)结合迁移学习与YOLOv4网络训练技巧。通过试验将YOLOv4及其MobileNet系列轻量化网络与Faster-RCNN系列网络和SSD系列网络进行对比,结果表明,改进的YOLOv4-GhostNet模型平均准确率达到79.38%,检测速度可达1 s 34.51帧,模型权重大小缩减为42.45 MB,在保持检测精度达到较高水平的同时模型参数量大幅度降低,适用于部署在计算能力不足的嵌入式设备上。
文摘针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题,提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法。首先,将YOLOv3的主干网络替换为GhostNet,保留多尺度预测部分,利用Ghost模块减少深度网络模型参数和计算量,在Ghost模块中融入注意力机制给予重要特征更高的权值。然后,引入目标检测的直接评价指标GIoU来指导回归任务。最后,利用Deep-Sort算法进行跟踪。在公共数据集上实验表明,改进后的模型平均精确度均值(mean Average precision,mAP)达到了92.53%,帧速率是YOLOv3模型的2.5倍;所提算法跟踪准确度优于改进前及其他算法,可以精确有效地跟踪复杂场景下的多目标行人,并具有较强的鲁棒性。
文摘为加速AprilTag检测,提出了一种基于改进YOLOv5s预提取RoI(region of interest)的AprilTag检测方法。改进YOLOv5s网络,在输入灰度图像的单通道模式下,分别采用Ghost Bottleneck和ConvNeXt Block替换主干网络和颈部网络的C3和瓶颈模块,提高模型的推理速度和泛化能力;通过亮度增强扩充数据集,提高模型鲁棒性。基于改进的YOLOv5网络进行AprilTag预识别,通过输出锚框划分RoI进行AprilTag检测,缩小图像处理范围,提高计算效率。实验结果表明,提出的AprilTag检测方法在1080P图像下FPS比传统AprilTag算法提高了77.42%以上。
