一种改进YOLOv5s的多尺度目标检测算法

针对多尺度目标检测准确率偏低的问题,提出了一种基于YOLOv5s改进的多尺度目标检测算法。在YOLOv5s主干网络与Neck网络之间融合CBAM模块,增强模型对多尺度目标重要特征信息的提取能力;同时,在模型的Head部分增加多尺度目标检测结构,提高不同尺度目标检测精度;训练时采用CIoU替代GIoU损失函数,以提高模型收敛能力,实现高精度目标定位。数据集来源于实际场景中采集并增强的4万余张图像。实验结果表明,改进后的模型对行人、车辆和人脸的多尺度目标检测平均精度达92.1%,相比未改进YOLOv5s算法提升了3.4%。模型的收敛性好,对密集场景的目标,小尺度目标检测准确度更加突出。

基于i-CapsNet的宫颈癌图像识别方法研究

宫颈癌是一种严重威胁女性生命及身体健康的重大疾病,宫颈细胞涂片图像是进行癌变识别的重要诊断依据。为了提高癌变细胞的识别精度,本文在胶囊神经网络(CapsNet)的基础上,提出了一种改进的胶囊神经网络模型(improved-CapsNet,i-CapsNet)。首先,针对宫颈癌涂片图像具有三维通道数据特征,构建了多维度数据输入层,并增加三维数据深度卷积层,增强图像深层特征提取能力;其次,改进了编码器中的动态路由方式,采用C-squashing非线性函数作为激活函数,更快速准确地实现胶囊模长的压缩,达到提高癌变细胞的识别精度;然后,针对Herlev公共数据集中正负样本量不平衡现象,将阿里天池宫颈液基薄层电镜扫描图像进行癌细胞图像提取及图像预处理,构建负样本数据集,提高了数据集的多样性和均衡性;最后,采用十折交叉验证方法,进行训练、验证及测试,与SVM、LeNet-5、VGG16及CapsNet模型进行效果对比,本文提出的i-CapsNet模型训练的Loss值最小,收敛到0.0074,测试的识别精度最高,达到99.2%,效果良好,验证了所提出的i-CapsNet的有效性和可行性。

基于YOLOv3的轻量化高精度多目标检测模型

针对当前目标检测模型在边缘设备中的应用占用内存过大、无法达到实时性要求的问题,提出一种基于YOLOv3的轻量化多目标检测模型.采用MobileNet网络进行点卷积和深度可分离卷积运算提取图像特征,显著降低了模型的参数量.同时,为了保证目标检测精度,在训练过程中不仅采用CIOU(completeintersectionoverunion)目标框回归损失函数,而且在损失函数中引入Focal loss,减少正负样本分布不平衡所造成的误差;引入Label Smoothing调整真实样本标签类别在计算损失函数时的权重,有效抑制过拟合问题.经3.5万个实际场景数据训练,本文提出的改进模型在行人和车辆的检测精度上分别达到47.3%和69.67%,模型大小仅为YOLOv3的40%,实现了理想检测精度水平下的模型轻量化.