期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于改进YOLOv5s的复杂道路交通目标检测算法 被引量:2
1
作者 汤林东 云利军 +1 位作者 罗瑞林 卢琳 《郑州大学学报(工学版)》 CAS 北大核心 2024年第3期64-71,共8页
针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景... 针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明:改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP_0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP_0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP_0.5提高了2.2%。 展开更多
关键词 自动驾驶 目标检测 YOLOv5s MHSARM CoordConv
在线阅读 下载PDF
基于颜色分布信息的烟叶烟碱含量预测模型评估与比较
2
作者 谢嘉妮 云利军 +1 位作者 尹晓东 陈载清 《现代信息科技》 2025年第8期132-137,145,共7页
利用光学成像技术对一批已知烟碱含量的烟叶建立图像数据集,并使用神经网络模型U2-Net精准检测烟叶目标,通过提取烟叶目标的颜色分布信息,应用了4种典型的机器学习算法:随机森林(RF)、梯度提升(XGBoost)、多层感知机(MLP)和K-最近邻(KN... 利用光学成像技术对一批已知烟碱含量的烟叶建立图像数据集,并使用神经网络模型U2-Net精准检测烟叶目标,通过提取烟叶目标的颜色分布信息,应用了4种典型的机器学习算法:随机森林(RF)、梯度提升(XGBoost)、多层感知机(MLP)和K-最近邻(KNN),分别对烟叶烟碱含量进行了回归预测。结果显示KNN模型能有效利用颜色分布信息对烟叶烟碱含量进行精准预测,其决定系数R~2值高达97.46%,均方误差(MSE)低至0.020 2,平均绝对误差(MAE)低至0.075 6,证明烟叶颜色分布信息与烟碱含量之间具有显著的相关性,提供了一种有效的烟碱无损检测方法。 展开更多
关键词 颜色分布 烟碱预测 回归模型 K-近邻 无损检测
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部