实时目标检测YOLO(you only look once)算法存在检测精度低和网络模型训练速度慢等问题,对此,结合批再规范化算法处理小批样本以及非独立同分布数据的优势,引入批再规范化处理对YOLO网络结构予以改进,即把卷积层中经卷积运算产生的特征...实时目标检测YOLO(you only look once)算法存在检测精度低和网络模型训练速度慢等问题,对此,结合批再规范化算法处理小批样本以及非独立同分布数据的优势,引入批再规范化处理对YOLO网络结构予以改进,即把卷积层中经卷积运算产生的特征图看做神经元,并对其进行规范化处理。同时,在网络结构中移除dropout,并增大网络训练的学习率。实验结果表明,该改进算法相对于原YOLO算法具有更高的检测精度、更快的实时检测速度,并且通过适当设置批样本大小可使网络模型在训练时间和硬件设备方面成本有一定的降低。展开更多
针对现有人脸检测深度学习算法计算量大,难以移植到嵌入式平台,无法满足移动设备实时性和便捷性需求的问题,提出一种基于YOLO(You Only Look Once)算法的适用于嵌入式平台的小型人脸检测网络E-YOLO(Enhance-YOLO)。借鉴YOLO算法的思想,...针对现有人脸检测深度学习算法计算量大,难以移植到嵌入式平台,无法满足移动设备实时性和便捷性需求的问题,提出一种基于YOLO(You Only Look Once)算法的适用于嵌入式平台的小型人脸检测网络E-YOLO(Enhance-YOLO)。借鉴YOLO算法的思想,将人脸检测问题转换为回归问题,将待检测的图像均分为S×S个单元格,每个单元格检测落在单元格内的目标。通过修改YOLO网络模型中的卷积神经网络结构,提高其检测的准确性,同时减少网络结构中卷积核的数目,降低模型的大小。实验结果表明,E-YOLO模型大小为43MB,视频的检测帧率为26FPS,在WIDERFACE和FDDB数据集上均有较高的准确率和检测速度,可以实现在嵌入式平台下的实时人脸检测。展开更多
为解决挖拔式木薯智能收获机械在作业过程需要快速准确地确定茎秆位置的问题,基于YOLO(You only look once)卷积神经网络提出一种检测速率更快且满足准确率的网络设计(CS-YOLO)。首先,采集并扩增木薯茎秆图像数据集,对样本集进行标注与...为解决挖拔式木薯智能收获机械在作业过程需要快速准确地确定茎秆位置的问题,基于YOLO(You only look once)卷积神经网络提出一种检测速率更快且满足准确率的网络设计(CS-YOLO)。首先,采集并扩增木薯茎秆图像数据集,对样本集进行标注与划分;然后,改进YOLOv1网络结构,利用全局平均池化替代全连接层,并适当调整网络深度和宽度,设计了一种新的网络;最后,对网络进行检测性能试验和对比分析。结果表明:新网络模型尺寸较原网络大小减少约一半,平均每张图像的检测耗时约0.015s,检测速度显著提升;当测试阶段IOU(Intersection Over Union)阈值为0.1时,模型准确率达到了99%,提出的检测方法可满足木薯收获机精准作业要求。研究可为实时、准确地检测田间木薯茎秆位置提供了一种新的思路和方法,也为仿生挖拔式木薯收获机提供了技术支撑。展开更多
文摘实时目标检测YOLO(you only look once)算法存在检测精度低和网络模型训练速度慢等问题,对此,结合批再规范化算法处理小批样本以及非独立同分布数据的优势,引入批再规范化处理对YOLO网络结构予以改进,即把卷积层中经卷积运算产生的特征图看做神经元,并对其进行规范化处理。同时,在网络结构中移除dropout,并增大网络训练的学习率。实验结果表明,该改进算法相对于原YOLO算法具有更高的检测精度、更快的实时检测速度,并且通过适当设置批样本大小可使网络模型在训练时间和硬件设备方面成本有一定的降低。
文摘针对现有人脸检测深度学习算法计算量大,难以移植到嵌入式平台,无法满足移动设备实时性和便捷性需求的问题,提出一种基于YOLO(You Only Look Once)算法的适用于嵌入式平台的小型人脸检测网络E-YOLO(Enhance-YOLO)。借鉴YOLO算法的思想,将人脸检测问题转换为回归问题,将待检测的图像均分为S×S个单元格,每个单元格检测落在单元格内的目标。通过修改YOLO网络模型中的卷积神经网络结构,提高其检测的准确性,同时减少网络结构中卷积核的数目,降低模型的大小。实验结果表明,E-YOLO模型大小为43MB,视频的检测帧率为26FPS,在WIDERFACE和FDDB数据集上均有较高的准确率和检测速度,可以实现在嵌入式平台下的实时人脸检测。
文摘为解决挖拔式木薯智能收获机械在作业过程需要快速准确地确定茎秆位置的问题,基于YOLO(You only look once)卷积神经网络提出一种检测速率更快且满足准确率的网络设计(CS-YOLO)。首先,采集并扩增木薯茎秆图像数据集,对样本集进行标注与划分;然后,改进YOLOv1网络结构,利用全局平均池化替代全连接层,并适当调整网络深度和宽度,设计了一种新的网络;最后,对网络进行检测性能试验和对比分析。结果表明:新网络模型尺寸较原网络大小减少约一半,平均每张图像的检测耗时约0.015s,检测速度显著提升;当测试阶段IOU(Intersection Over Union)阈值为0.1时,模型准确率达到了99%,提出的检测方法可满足木薯收获机精准作业要求。研究可为实时、准确地检测田间木薯茎秆位置提供了一种新的思路和方法,也为仿生挖拔式木薯收获机提供了技术支撑。
