针对当前药品名称检测存在检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,并基于YOLOv8算法,提出了一种结合Slim-Neck替换特征融合层、GAM注意力机制的检测精度高、硬件要求低的新模型YOLOv8-SNG。使用Drug Na...针对当前药品名称检测存在检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,并基于YOLOv8算法,提出了一种结合Slim-Neck替换特征融合层、GAM注意力机制的检测精度高、硬件要求低的新模型YOLOv8-SNG。使用Drug Name Detection Dataset数据集验证算法的有效性。实验结果表明,与YOLOv8相比,在Drug Name Detection Dataset数据集上FPS少量上涨的情况下,mAP@0.5提高了11.9%,mAP@0.5:0.95提高了6.43%;改进后的算法具有更强的泛化性能,能够更好的适用于药品名称检测任务。展开更多
为了提高解决海洋垃圾问题的效率,保护海洋环境。文章提出了一种基于改进YOLOv9c的的海洋垃圾检测算法的研究。由于海洋垃圾浮游于海中,受较暗光线以及海水颜色的影响较难检测识别,在预处理时对数据进行色彩增强与图像增亮的处理,提高...为了提高解决海洋垃圾问题的效率,保护海洋环境。文章提出了一种基于改进YOLOv9c的的海洋垃圾检测算法的研究。由于海洋垃圾浮游于海中,受较暗光线以及海水颜色的影响较难检测识别,在预处理时对数据进行色彩增强与图像增亮的处理,提高了图像的辨识度。并采用最新的YOLOv9c作为目标检测的骨干网络,引入Squeeze and Excitation注意力机制,提高了特征的敏感度,增强了网络的泛化能力和效率。并且将下采样替换为基于Haar小波下采样,在降低特征图的同时尽可能保留更多的信息,提高处理的效率。经训练后,在J-EDI海洋垃圾数据集上进行验证,其mAP达到了70.5%,模型的参数也只有12.5M,FPS为75。表明改进后的算法有较好的效果。展开更多
针对夜间行人检测任务中存在的检测速度慢、漏检率高、黑夜场景下识别效果差等问题,提出一种改进YOLOv7的夜间行人检测算法。改进算法中,使用YOLOv7-tiny网络作为baseline,以满足准确率的同时兼具较高的检测速度,在网络head部分,使用CSP...针对夜间行人检测任务中存在的检测速度慢、漏检率高、黑夜场景下识别效果差等问题,提出一种改进YOLOv7的夜间行人检测算法。改进算法中,使用YOLOv7-tiny网络作为baseline,以满足准确率的同时兼具较高的检测速度,在网络head部分,使用CSP HorNet模块实现关键特征之间的高阶交互,并引入SimAM注意力机制,在不增加模型复杂度的情况下,使网络聚焦更多重要的特征信息。实验结果表明,改进算法在测试集上准确率(Precision,P)达到91.7%,召回率(Recall,R)达到81.4%,均值平均精度(mean Average Precision,mAP)提升2.9个百分点。改进算法在真实场景检测任务中,有效降低了漏检率及错检率,表现出良好的性能。展开更多
文摘针对当前药品名称检测存在检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,并基于YOLOv8算法,提出了一种结合Slim-Neck替换特征融合层、GAM注意力机制的检测精度高、硬件要求低的新模型YOLOv8-SNG。使用Drug Name Detection Dataset数据集验证算法的有效性。实验结果表明,与YOLOv8相比,在Drug Name Detection Dataset数据集上FPS少量上涨的情况下,mAP@0.5提高了11.9%,mAP@0.5:0.95提高了6.43%;改进后的算法具有更强的泛化性能,能够更好的适用于药品名称检测任务。
文摘为了提高解决海洋垃圾问题的效率,保护海洋环境。文章提出了一种基于改进YOLOv9c的的海洋垃圾检测算法的研究。由于海洋垃圾浮游于海中,受较暗光线以及海水颜色的影响较难检测识别,在预处理时对数据进行色彩增强与图像增亮的处理,提高了图像的辨识度。并采用最新的YOLOv9c作为目标检测的骨干网络,引入Squeeze and Excitation注意力机制,提高了特征的敏感度,增强了网络的泛化能力和效率。并且将下采样替换为基于Haar小波下采样,在降低特征图的同时尽可能保留更多的信息,提高处理的效率。经训练后,在J-EDI海洋垃圾数据集上进行验证,其mAP达到了70.5%,模型的参数也只有12.5M,FPS为75。表明改进后的算法有较好的效果。
文摘针对夜间行人检测任务中存在的检测速度慢、漏检率高、黑夜场景下识别效果差等问题,提出一种改进YOLOv7的夜间行人检测算法。改进算法中,使用YOLOv7-tiny网络作为baseline,以满足准确率的同时兼具较高的检测速度,在网络head部分,使用CSP HorNet模块实现关键特征之间的高阶交互,并引入SimAM注意力机制,在不增加模型复杂度的情况下,使网络聚焦更多重要的特征信息。实验结果表明,改进算法在测试集上准确率(Precision,P)达到91.7%,召回率(Recall,R)达到81.4%,均值平均精度(mean Average Precision,mAP)提升2.9个百分点。改进算法在真实场景检测任务中,有效降低了漏检率及错检率,表现出良好的性能。
