期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
改进YOLOv8的城市车辆目标检测算法
1
作者
许德刚
王双臣
+1 位作者
尹柯栋
王再庆
《计算机工程》
北大核心
2025年第11期377-391,共15页
为了解决城市车辆目标检测算法中存在检测效果差、误检漏检率高、泛化能力弱的问题,提出一种改进YOLOv8的城市车辆目标检测算法。首先,在主干网络尾部融入高效多尺度注意力(EMA)机制,有助于模型更好地捕捉目标车辆的细节特征,结合160...
为了解决城市车辆目标检测算法中存在检测效果差、误检漏检率高、泛化能力弱的问题,提出一种改进YOLOv8的城市车辆目标检测算法。首先,在主干网络尾部融入高效多尺度注意力(EMA)机制,有助于模型更好地捕捉目标车辆的细节特征,结合160×160像素尺寸的小目标检测层来加强对小目标的检测能力,通过维度交互进一步聚合像素级特征,增强对目标车辆的挖掘能力。其次,为轻量化网络设计了一种多尺度轻量化卷积(MLConv)模块,并基于MLConv重构了C2f模块,提高模型的特征提取能力。最后,为抑制低质量图像产生的有害梯度,采用WIoU损失函数替代完全交并比(CIoU)损失函数,优化网络的边界框损失,提升模型的收敛速度和回归精度。在Streets车辆数据集上进行验证,结果表明,改进算法的mAP@0.5、mAP@0.5∶0.95和召回率相较于基准模型YOLOv8n分别提升了1.9、1.4和2.4百分点。在国内车辆数据集和VisDrone2019小目标数据集上进行验证,改进算法的各项性能指标都有不同程度的提升,充分证明了改进算法具有良好的泛化性和鲁棒性。与其他主流算法相比,改进算法同样表现出了更高的准确率和召回率,表明该算法对于城市车辆目标检测具有更好的性能。
展开更多
关键词
车辆目标检测
YOLOv8n模型
注意力机制
轻量化
加权交并比损失函数
在线阅读
下载PDF
职称材料
基于改进YOLOv8n的船舶设备拆装流程规范性评估方法
2
作者
张振东
管聪
+2 位作者
张泽辉
吴超
丁学文
《中国舰船研究》
北大核心
2025年第2期140-150,共11页
[目的]船舶机舱作业规范性是船舶安全管控的关键部分,因此船员实操考试将船舶设备拆装作为一个重要考核项。为提升船员实操考试的电子化和智能化水平,提出一种基于计算机视觉的船舶设备拆装流程规范性的自动化识别方法。[方法]首先,以YO...
[目的]船舶机舱作业规范性是船舶安全管控的关键部分,因此船员实操考试将船舶设备拆装作为一个重要考核项。为提升船员实操考试的电子化和智能化水平,提出一种基于计算机视觉的船舶设备拆装流程规范性的自动化识别方法。[方法]首先,以YOLOv8n构建船舶设备检测模型的骨干网络,并引入高效通道注意力机制(SA),以提高模型特征提取能力与训练效率;然后,在颈部网络中引入重参数化泛化特征的金字塔网络(GFPN)融合结构,以提高模型的多尺度特征融合能力;最后,引入动态非单调聚焦机制损失函数(WIoU)来替换原CIoU损失函数,以提高模型精度。[结果]自建数据集的试验结果表明:与YOLOv8n相比,改进目标识别算法的平均精度均值提高了0.15,实时检测的每秒帧数提升了0.6,可以准确识别齿轮泵的拆装流程。[结论]该改进算法具有更强的识别能力,可以更好地应用于船舶设备拆装流程规范性的识别任务。
展开更多
关键词
船舶设备
拆除和安装
目标检测
注意力机制(SA)
泛化特征金字塔网络(GFPN)
动态非单调聚焦机制(
wiou
)损失函数
在线阅读
下载PDF
职称材料
题名
改进YOLOv8的城市车辆目标检测算法
1
作者
许德刚
王双臣
尹柯栋
王再庆
机构
河南工业大学信息科学与工程学院
河南工业大学粮食信息处理与控制教育部重点实验室
湖南工程学院计算机与通信学院
出处
《计算机工程》
北大核心
2025年第11期377-391,共15页
基金
国家重点研发计划(2017YFD0401003-4)
湖南省自然科学基金(2021JJ50114)。
文摘
为了解决城市车辆目标检测算法中存在检测效果差、误检漏检率高、泛化能力弱的问题,提出一种改进YOLOv8的城市车辆目标检测算法。首先,在主干网络尾部融入高效多尺度注意力(EMA)机制,有助于模型更好地捕捉目标车辆的细节特征,结合160×160像素尺寸的小目标检测层来加强对小目标的检测能力,通过维度交互进一步聚合像素级特征,增强对目标车辆的挖掘能力。其次,为轻量化网络设计了一种多尺度轻量化卷积(MLConv)模块,并基于MLConv重构了C2f模块,提高模型的特征提取能力。最后,为抑制低质量图像产生的有害梯度,采用WIoU损失函数替代完全交并比(CIoU)损失函数,优化网络的边界框损失,提升模型的收敛速度和回归精度。在Streets车辆数据集上进行验证,结果表明,改进算法的mAP@0.5、mAP@0.5∶0.95和召回率相较于基准模型YOLOv8n分别提升了1.9、1.4和2.4百分点。在国内车辆数据集和VisDrone2019小目标数据集上进行验证,改进算法的各项性能指标都有不同程度的提升,充分证明了改进算法具有良好的泛化性和鲁棒性。与其他主流算法相比,改进算法同样表现出了更高的准确率和召回率,表明该算法对于城市车辆目标检测具有更好的性能。
关键词
车辆目标检测
YOLOv8n模型
注意力机制
轻量化
加权交并比损失函数
Keywords
vehicle target detection
YOLOv8n model
attention mechanism
lightweight
wise-intersection
over
union
(
wiou
)
loss
function
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于改进YOLOv8n的船舶设备拆装流程规范性评估方法
2
作者
张振东
管聪
张泽辉
吴超
丁学文
机构
武汉理工大学船海与能源动力工程学院
杭州电子科技大学自动化学院(人工智能学院)
出处
《中国舰船研究》
北大核心
2025年第2期140-150,共11页
基金
浙江省基础公益研究计划项目(LTGG24F030004)
国家水运安全工程技术研究中心开放基金资助项目(A202403)
+1 种基金
国家重点研发计划项目(2022YFE0210700)
中央高校基本科研业务费专项资金资助项目(104972024JYS0043)。
文摘
[目的]船舶机舱作业规范性是船舶安全管控的关键部分,因此船员实操考试将船舶设备拆装作为一个重要考核项。为提升船员实操考试的电子化和智能化水平,提出一种基于计算机视觉的船舶设备拆装流程规范性的自动化识别方法。[方法]首先,以YOLOv8n构建船舶设备检测模型的骨干网络,并引入高效通道注意力机制(SA),以提高模型特征提取能力与训练效率;然后,在颈部网络中引入重参数化泛化特征的金字塔网络(GFPN)融合结构,以提高模型的多尺度特征融合能力;最后,引入动态非单调聚焦机制损失函数(WIoU)来替换原CIoU损失函数,以提高模型精度。[结果]自建数据集的试验结果表明:与YOLOv8n相比,改进目标识别算法的平均精度均值提高了0.15,实时检测的每秒帧数提升了0.6,可以准确识别齿轮泵的拆装流程。[结论]该改进算法具有更强的识别能力,可以更好地应用于船舶设备拆装流程规范性的识别任务。
关键词
船舶设备
拆除和安装
目标检测
注意力机制(SA)
泛化特征金字塔网络(GFPN)
动态非单调聚焦机制(
wiou
)损失函数
Keywords
ship equipments
disassembly and assembly
objection detection
shuffle-attention(SA)mechanism
global feature pyramid network(GFPN)
wise-intersection
over
union
(
wiou
)
loss
function
分类号
U676.2 [交通运输工程—船舶及航道工程]
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
改进YOLOv8的城市车辆目标检测算法
许德刚
王双臣
尹柯栋
王再庆
《计算机工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于改进YOLOv8n的船舶设备拆装流程规范性评估方法
张振东
管聪
张泽辉
吴超
丁学文
《中国舰船研究》
北大核心
2025
0
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
