针对基于You Only Look Once v2算法的目标检测存在精度低及稳健性差的问题,提出一种车辆目标实时检测的You Only Look Once v2优化算法;该算法以You Only Look Once v2算法为基础,通过增加网络深度,增强特征提取能力,同时,通过添加残...针对基于You Only Look Once v2算法的目标检测存在精度低及稳健性差的问题,提出一种车辆目标实时检测的You Only Look Once v2优化算法;该算法以You Only Look Once v2算法为基础,通过增加网络深度,增强特征提取能力,同时,通过添加残差模块,解决网络深度增加带来的梯度消失或弥散问题;该方法将网络结构中低层特征与高层特征进行融合,提升对小目标车辆的检测精度。结果表明,通过在KITTI数据集上进行测试,优化后的算法在检测速度不变的情况下,提高了车辆目标检测精度,平均精度达到0.94,同时提升了小目标检测的准确性。展开更多
为了综合分析YOLO(You Only Look Once)算法在提升交通安全性和效率方面的重要作用,从“人-车-路”3个核心要素的角度,对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结.概述了YOLO算法常用的评价指标,详细阐述了这些指标...为了综合分析YOLO(You Only Look Once)算法在提升交通安全性和效率方面的重要作用,从“人-车-路”3个核心要素的角度,对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结.概述了YOLO算法常用的评价指标,详细阐述了这些指标在交通场景中的实际意义.对YOLO算法的核心架构进行概述,追溯了该算法的发展历程,分析各个版本迭代中的优化和改进措施.从“人-车-路”3种交通目标的视角出发,梳理并论述了采用YOLO算法进行交通目标检测的研究现状及应用情况.分析目前YOLO算法在交通目标检测中存在的局限性和挑战,提出相应的改进方法,展望未来的研究重点,为道路交通的智能化发展提供了研究参考.展开更多
目前在铝材表面缺陷检测领域,常用的检测模型存在检测精度不高、实时性不强和参数量大等问题。针对上述问题,对目标检测模型YOLOv8做了改进。首先,该模型使用自研的动态可变形卷积模块取代原有最后一层C2f模块;其次,将RT-DETR(real-time...目前在铝材表面缺陷检测领域,常用的检测模型存在检测精度不高、实时性不强和参数量大等问题。针对上述问题,对目标检测模型YOLOv8做了改进。首先,该模型使用自研的动态可变形卷积模块取代原有最后一层C2f模块;其次,将RT-DETR(real-time detection transformer)模型中的检测头移植到新模型中,利用Transformer中解码器的思想,省去了模型后处理的步骤;最后,将NWD(normalized Wasserstein distance)loss和WIoUv3(wise-intersection over union version 3)loss结合作为改进后模型的回归损失函数,使模型动态筛选锚框,解决IoU对于不同尺寸缺陷类型敏感度不同导致的标签分配不准确的问题。改进之后的模型相比于基线模型YOLOv8,平均精度提高了3.8%,每秒处理帧数提高至92 f/s,同时在钢材表面缺陷检测数据集和太阳能电池板表面缺陷检测数据集上也具有很强的鲁棒性,新模型在实时检测、实际部署中具有很大优势。展开更多
为解决交通道路小目标检测难度大、精度低,容易出现错检漏检的问题,提出一种基于YOLO v5(you only look once v5)算法的多尺度特征融合目标检测改进算法。首先,增加小目标检测头用于适应小目标尺寸,缓解漏检情况。然后,引入可变形卷积网...为解决交通道路小目标检测难度大、精度低,容易出现错检漏检的问题,提出一种基于YOLO v5(you only look once v5)算法的多尺度特征融合目标检测改进算法。首先,增加小目标检测头用于适应小目标尺寸,缓解漏检情况。然后,引入可变形卷积网络v2(deformable convolutional networks V2,DCN V2)提高模型对运动中小目标的学习能力;同时,增加上下文增强模块,提升对远距离小目标的识别能力。最后,在替换损失函数、提高边界框定位精度的同时,使用空间金字塔池化和上下文空间金字塔卷积分组模块,提高网络的感受野和特征表达能力。实验结果表明,所提算法在KITTI数据集小目标类别上平均识别精度达到了95.2%,相较于原始YOLO v5,算法总体平均识别精度提升了2.7%,对小目标的检测效果更佳,平均识别精度提升了3.1%,证明所提算法在道路小目标检测方面的有效性。展开更多
For the detection of marine ship objects in radar images, large-scale networks based on deep learning are difficult to be deployed on existing radar-equipped devices. This paper proposes a lightweight convolutional ne...For the detection of marine ship objects in radar images, large-scale networks based on deep learning are difficult to be deployed on existing radar-equipped devices. This paper proposes a lightweight convolutional neural network, LiraNet, which combines the idea of dense connections, residual connections and group convolution, including stem blocks and extractor modules.The designed stem block uses a series of small convolutions to extract the input image features, and the extractor network adopts the designed two-way dense connection module, which further reduces the network operation complexity. Mounting LiraNet on the object detection framework Darknet, this paper proposes Lira-you only look once(Lira-YOLO), a lightweight model for ship detection in radar images, which can easily be deployed on the mobile devices. Lira-YOLO's prediction module uses a two-layer YOLO prediction layer and adds a residual module for better feature delivery. At the same time, in order to fully verify the performance of the model, mini-RD, a lightweight distance Doppler domain radar images dataset, is constructed. Experiments show that the network complexity of Lira-YOLO is low, being only 2.980 Bflops, and the parameter quantity is smaller, which is only 4.3 MB. The mean average precision(mAP) indicators on the mini-RD and SAR ship detection dataset(SSDD) reach 83.21% and 85.46%, respectively,which is comparable to the tiny-YOLOv3. Lira-YOLO has achieved a good detection accuracy with less memory and computational cost.展开更多
自动驾驶场景下的目标检测是计算机视觉中重要研究方向之一,确保自动驾驶汽车对物体进行实时准确的目标检测是研究重点。近年来,深度学习技术迅速发展并被广泛应用于自动驾驶领域中,极大促进了自动驾驶领域的进步。为此,针对YOLO(You On...自动驾驶场景下的目标检测是计算机视觉中重要研究方向之一,确保自动驾驶汽车对物体进行实时准确的目标检测是研究重点。近年来,深度学习技术迅速发展并被广泛应用于自动驾驶领域中,极大促进了自动驾驶领域的进步。为此,针对YOLO(You Only Look Once)算法在自动驾驶领域中的目标检测研究现状,从以下4个方面分析。首先,总结单阶段YOLO系列检测算法思想及其改进方法,分析YOLO系列算法的优缺点;其次,论述YOLO算法在自动驾驶场景下目标检测中的应用,从交通车辆、行人和交通信号识别这3个方面分别阐述和总结研究现状及应用情况;此外,总结目标检测中常用的评价指标、目标检测数据集和自动驾驶场景数据集;最后,展望目标检测存在的问题和未来发展方向。展开更多
农作物病虫害是农业生产管理的关键,为及时防控病虫害,人们通过各种技术手段识别和监测病虫害。本文通过介绍目标检测算法YOLO (You Only Look Once)的发展历程及其在农作物病虫害识别中的应用,着重分析了YOLO算法在提高农作物病虫害识...农作物病虫害是农业生产管理的关键,为及时防控病虫害,人们通过各种技术手段识别和监测病虫害。本文通过介绍目标检测算法YOLO (You Only Look Once)的发展历程及其在农作物病虫害识别中的应用,着重分析了YOLO算法在提高农作物病虫害识别准确度和缩短识别时间的优势,以期为农业生产提供科学指导。展开更多
文摘针对基于You Only Look Once v2算法的目标检测存在精度低及稳健性差的问题,提出一种车辆目标实时检测的You Only Look Once v2优化算法;该算法以You Only Look Once v2算法为基础,通过增加网络深度,增强特征提取能力,同时,通过添加残差模块,解决网络深度增加带来的梯度消失或弥散问题;该方法将网络结构中低层特征与高层特征进行融合,提升对小目标车辆的检测精度。结果表明,通过在KITTI数据集上进行测试,优化后的算法在检测速度不变的情况下,提高了车辆目标检测精度,平均精度达到0.94,同时提升了小目标检测的准确性。
文摘为了综合分析YOLO(You Only Look Once)算法在提升交通安全性和效率方面的重要作用,从“人-车-路”3个核心要素的角度,对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结.概述了YOLO算法常用的评价指标,详细阐述了这些指标在交通场景中的实际意义.对YOLO算法的核心架构进行概述,追溯了该算法的发展历程,分析各个版本迭代中的优化和改进措施.从“人-车-路”3种交通目标的视角出发,梳理并论述了采用YOLO算法进行交通目标检测的研究现状及应用情况.分析目前YOLO算法在交通目标检测中存在的局限性和挑战,提出相应的改进方法,展望未来的研究重点,为道路交通的智能化发展提供了研究参考.
文摘目前在铝材表面缺陷检测领域,常用的检测模型存在检测精度不高、实时性不强和参数量大等问题。针对上述问题,对目标检测模型YOLOv8做了改进。首先,该模型使用自研的动态可变形卷积模块取代原有最后一层C2f模块;其次,将RT-DETR(real-time detection transformer)模型中的检测头移植到新模型中,利用Transformer中解码器的思想,省去了模型后处理的步骤;最后,将NWD(normalized Wasserstein distance)loss和WIoUv3(wise-intersection over union version 3)loss结合作为改进后模型的回归损失函数,使模型动态筛选锚框,解决IoU对于不同尺寸缺陷类型敏感度不同导致的标签分配不准确的问题。改进之后的模型相比于基线模型YOLOv8,平均精度提高了3.8%,每秒处理帧数提高至92 f/s,同时在钢材表面缺陷检测数据集和太阳能电池板表面缺陷检测数据集上也具有很强的鲁棒性,新模型在实时检测、实际部署中具有很大优势。
基金supported by the Joint Fund of Equipment Pre-Research and Aerospace Science and Industry (6141B07090102)。
文摘For the detection of marine ship objects in radar images, large-scale networks based on deep learning are difficult to be deployed on existing radar-equipped devices. This paper proposes a lightweight convolutional neural network, LiraNet, which combines the idea of dense connections, residual connections and group convolution, including stem blocks and extractor modules.The designed stem block uses a series of small convolutions to extract the input image features, and the extractor network adopts the designed two-way dense connection module, which further reduces the network operation complexity. Mounting LiraNet on the object detection framework Darknet, this paper proposes Lira-you only look once(Lira-YOLO), a lightweight model for ship detection in radar images, which can easily be deployed on the mobile devices. Lira-YOLO's prediction module uses a two-layer YOLO prediction layer and adds a residual module for better feature delivery. At the same time, in order to fully verify the performance of the model, mini-RD, a lightweight distance Doppler domain radar images dataset, is constructed. Experiments show that the network complexity of Lira-YOLO is low, being only 2.980 Bflops, and the parameter quantity is smaller, which is only 4.3 MB. The mean average precision(mAP) indicators on the mini-RD and SAR ship detection dataset(SSDD) reach 83.21% and 85.46%, respectively,which is comparable to the tiny-YOLOv3. Lira-YOLO has achieved a good detection accuracy with less memory and computational cost.
文摘自动驾驶场景下的目标检测是计算机视觉中重要研究方向之一,确保自动驾驶汽车对物体进行实时准确的目标检测是研究重点。近年来,深度学习技术迅速发展并被广泛应用于自动驾驶领域中,极大促进了自动驾驶领域的进步。为此,针对YOLO(You Only Look Once)算法在自动驾驶领域中的目标检测研究现状,从以下4个方面分析。首先,总结单阶段YOLO系列检测算法思想及其改进方法,分析YOLO系列算法的优缺点;其次,论述YOLO算法在自动驾驶场景下目标检测中的应用,从交通车辆、行人和交通信号识别这3个方面分别阐述和总结研究现状及应用情况;此外,总结目标检测中常用的评价指标、目标检测数据集和自动驾驶场景数据集;最后,展望目标检测存在的问题和未来发展方向。
文摘农作物病虫害是农业生产管理的关键,为及时防控病虫害,人们通过各种技术手段识别和监测病虫害。本文通过介绍目标检测算法YOLO (You Only Look Once)的发展历程及其在农作物病虫害识别中的应用,着重分析了YOLO算法在提高农作物病虫害识别准确度和缩短识别时间的优势,以期为农业生产提供科学指导。
