-
题名基于YOLO检测算法的引体向上有效计数方法及系统
- 1
-
-
作者
程广鑫
石志鸣
赵行
仇业鹏
-
机构
西南大学体育学院
西南大学人工智能学院
重庆师范大学体育与健康科学学院
-
出处
《西南大学学报(自然科学版)》
北大核心
2025年第5期213-222,共10页
-
基金
重庆市自然科学基金面上项目(CSTB2023NSCQ-MSX0698)
重庆市教委人文社会科学研究项目(23SKGH073)
教育部产学合作协同育人项目(230902371264520)。
-
文摘
针对现有引体向上计数方法人力资源消耗过大、准确度不高的问题,提出了一种基于YOLO检测算法检测人体骨骼关键点来进行计数的方法。通过改进网络结构、引入跳跃连接,提高了骨骼关键点定位的准确性和效率。同时,采用头部结构比例和实验数据结合的方式推算下颌位置,实现了过杠位置的准确检测。最后,结合骨骼关键点追踪和违规动作检测,实现实时计数,引体向上检测准确率达到98.62%。引体向上计数系统具备实时检测功能,以及数据采集、显示、存储和查找功能,为体育考试提供了高效、客观的计数工具。
-
关键词
引体向上
骨骼关键点
yolo检测算法
计数系统
-
Keywords
pull-ups
skeletal key points
yolo detection algorithm
counting system
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于三尺度嵌套残差结构的交通标志快速检测算法
被引量：25
- 2
-
-
作者
李旭东
张建明
谢志鹏
王进
-
机构
长沙理工大学计算机与通信工程学院
综合交通运输大数据智能处理湖南省重点实验室(长沙理工大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2020年第5期1022-1036,共15页
-
基金
国家自然科学基金项目(61972056,61811530332)
湖南省自然科学基金项目(2019JJ50666)
+2 种基金
长沙理工大学“双一流”科学研究国际合作拓展项目(2019IC34)
湖南省研究生培养创新基地项目(2019-248-51)
湖南省研究生科研创新项目(CX20190695)。
-
文摘
智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先,在基础网络上采用逐像素相加的跨层连接,并未增加特征图的通道数,同时网络中形成1个小残差结构.其次,通过同样的跨层连接方式,增加了1层空间分辨率更高的预测输出,使得该尺度输出包含更丰富的空间信息,进而构成大残差结构.最终,将2个残差结构进行嵌套,形成了1个三尺度预测的嵌套残差网络模型,使得Tiny检测算法的部分主网络位于这2个残差结构中,起到3次调参的作用.实验结果表明:提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F1值为91.77%、检测时间为5 ms;在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F1值分别为92.41%,93.91%,92.03%,检测时间为5 ms.
-
关键词
交通标志检测
yolo检测算法
嵌套残差网络
多尺度预测
长沙理工大学
长沙理工大学中国交通标志检测数据集
-
Keywords
traffic sign detection
you only look once(yolo)detection algorithm
nested residual network
multi-scale prediction
Changsha University of Science and Technology(CSUST)
CSUST Chinese traffic sign detection benchmark(CCTSDB)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于运动与表象特征的广域船舶目标识别方法
被引量：11
- 3
-
-
作者
严荣慧
谢海成
花敏恒
羊箭锋
-
机构
苏州大学文正学院
苏州大学电子信息学院
-
出处
《中国舰船研究》
CSCD
北大核心
2022年第1期227-234,共8页
-
基金
2021江苏省高等学校自然科学研究面上项目(21KJD510006)
苏州大学文正学院2020年高等教育改革研究课题(2910342520)
2018江苏省高等学校自然科学研究面上项目(18KJD510009)。
-
文摘
[目的]旨在提出对航行于关键广阔水域内的船舶进行准确识别和定位的改进方法。[方法]运用视频监控的优点,综合采用基于背景差分算法的运动目标检测方法与基于深度学习算法的图像表象特征识别方法,结合目标的运动特征和图像表象特征,实现多维度广域船舶识别的功能,并对水纹降噪、多级运动检测、航道监控图像窗口分割检测等方法进行改进,进一步提高航行监控系统的船舶识别准确率。[结果]现场航道监控验证结果表明,采用所提改进方法可以准确识别航道监控画面中任意类型和尺度的船舶,且使用常规摄像头即可实现半径3 km范围内的船舶识别、定位效果。[结论]所提方法具有监控范围广、船舶类型全覆盖、自动目标识别、抗干扰能力强等优点。
-
关键词
广域航道监控
船舶识别
运动检测
多维特征
yolo检测算法
-
Keywords
wide-area waterway monitoring
ship recognition
motion detection
multi-dimensional features
yolo detection algorithm
-
分类号
U665.2
[交通运输工程—船舶及航道工程]
TN958.98
[电子电信—信号与信息处理]
-
