题名 基于特征融合的SSD视觉小目标检测
被引量：12
1
作者
王冬丽 廖春江 牟金震 周彦
机构
湘潭大学自动化与电子信息学院 上海航天控制技术研究所
出处
《计算机工程与应用》
CSCD
北大核心
2020年第16期31-36,共6页
基金
国家自然科学基金(No.61773330,No.61100140) 湖南省自然科学基金(No.2017JJ2253) +1 种基金 湖南省教育厅优秀青年基金(No.17B259) 上海市科技成果转化与产业化项目(No.19511120900)。
文摘
针对SSD算法在检测目标过程中对小目标检测效果差的缺陷,提出了特征融合的SSD方法。该方法充分融合深浅层特征信息以提升网络模型对小目标的检测能力,为更好地检测小目标,将先验框尺寸相对原图比列进行调整,同时对SSD模型相应超参数值进行调整。实验结果表明,检测精度mAP较SSD提高3.4个百分点,对小目标Bottle、Chair、Plant检测精度分别提升8.7个百分点、3.4个百分点和7.1个百分点。检测精度mAP较当前一系列性能优异的目标检测算法有显著提高。通过拓展实验进一步证明改进算法成功检测到了大多数SSD算法没有检测到的小目标,提高了平均检测准确率。
关键词
小目标检测 特征融合 SSD(single shot multibox detector )特征增强 PASCAL VOC2007
Keywords
small target detection feature fusion SSD(single shot multibox detector ) feature enhancement PASCAL VOC2007
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
题名 一种基于机器视觉的精准注意力追踪系统
被引量：5
2
作者
刘纪元 祁瀚文 刘志诚 费敏锐 张堃
机构
南通大学电气工程学院 上海大学机电工程与自动化学院 南通市智能计算与智能控制重点实验室
出处
《系统仿真学报》
CAS
CSCD
北大核心
2023年第10期2087-2100,共14页
基金
江苏省产学研合作项目(BY2022224)。
文摘
针对学生注意力分配困难和对学习影响等问题,提出一种基于机器视觉的精准注意力追踪系统。该系统包括图像采集装置和精准的注意力追踪算法。图像采集装置可以获得更清晰的眼部区域图像。瞳孔中心定位算法用轻量级的MobileNet v3替换VGG16(visual geometry group network),采用两级特征融合和中心关键点预测技术,提高了检测速度和准确率。该算法检测速度可达36帧/s,准确率为97.42%。视线追踪算法旨在解决头部偏移的影响,实现对视线的精确追踪。研发了一款面向学龄儿童的阅读认知评价交互软件。该软件利用采集到的视线坐标计算相关眼动指标,再通过心理学理论分析建模来评估学龄儿童的思维认知能力,为心理学和教育学相关领域研究提供了参考和借鉴。
关键词
瞳孔定位 改进型SSD(single shot multibox detector )算法Eye-ORB(oriented FAST and rotated brief)算法 阅读认知 注意力追踪
Keywords
pupil positioning improved single shot multibox detector (SSD)algorithm image gradient tilt algorithm oriented FAST and rotated brief(Eye-ORB)algorithm reading cognition attention tracking
分类号
TP391.7
[自动化与计算机技术—计算机应用技术]
题名 基于密集模块与特征融合的SSD目标检测算法
被引量：5
3
作者
周凡 朴燕 秦晓伟
机构
长春理工大学电子信息工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2020年第16期105-111,共7页
基金
国家自然科学基金(No.60977011,No.20180623039TC,No.20180201091GX)。
文摘
通过对原SSD(Single Shot Multibox Detector)模型的研究与分析,针对其对小目标检测能力较弱的问题,提出了一种基于密集模块与特征融合操作的改进模型。该模型以Inception-ResNet-V2与DenseNet为基础,吸取了inception模块中稀疏连接与密集网络中密集连接的研究思路,将两种方法融合在一起,提出了Inception-Dense特征提取结构。在多尺度检测的部分,借鉴并改进了特征金字塔的特征融合模块来加强对中小目标的检测能力。根据改进模型及实验数据集的相关特性,对默认框的映射机制也进行了重新设定。结果表明:该方法在Kitti数据集上的平均测试精确度(mAP)为83.8%;识别率相比于原SSD模型的72.8%,提升了11个百分点。FPS方面也有接近38%的提升,从原来的39提升到了54。
关键词
深度学习 SSD(single shot multibox detector )目标检测 神经网络
Keywords
deep learning SSD(single shot multibox detector ) target detection neural network
分类号
TP391
[自动化与计算机技术—计算机应用技术]
