LPD-YOLO:轻量级遮挡行人检测模型

在驾驶场景中,针对行人间的遮挡和尺度多变现象导致的检测精度较低、模型参数量过大和难以部署到移动端等问题,提出了一种基于YOLOv5s模型的轻量级实时行人检测模型LPD-YOLO。首先,在特征提取部分采用MES Net替换原主干网络,并在主干网络中嵌入注意力模块SA,增强网络特征提取能力;其次,在特征融合部分采用DS-ASFF结构改进原PANet,使其充分融合不同尺寸的特征图;然后,采用GS卷积代替特征融合网络中的部分标准卷积,在不影响精度的条件下,进一步减少模型参数量和计算量;最后,在预测部分使用OTA标签分配策略结合α-IOU改进原损失函数,加速模型收敛。实验结果表明,该模型相较于YOLOv5s,参数量减少了81.2%,浮点运算量降低了46.3%,模型大小减小了75.8%,检测精度提高了3.3%。单幅图像检测速度达到了13.2 ms,更好地满足了驾驶场景下密集行人的实时检测要求。

同伴交往中“边缘学生”的成因探析及道德审视

同辈伙伴是学生在学校生活中重要的交往对象,边缘学生被同辈群体排斥、忽视、欺负是其"边缘化"的重要表现之一。基于两个真实的案例思考同伴交往中"边缘学生"产生的原因主要有四个方面:学生对教师行为的模仿、学生之间"强强联合"的交往原则、教育评价制度的背景性因素以及"边缘学生"自身的原因。同伴交往中的排斥现象不仅给"边缘学生"带来了伤害,同时也给"非边缘学生"带来了很大的负面影响。

同辈排斥与“边缘学生”

一、两个“边缘学生”的故事 学生同辈群体之间的交往互动是学校生活中重要的人际互动，现实的学校生活中，同伴交往的过程中会出现一些被群体排斥、忽视、欺负的处于边缘的处境不利者。笔者将这些学生称作同伴交往中的“边缘学生”。下面是两个“边缘学生”的个案呈现。

结合注意力机制的带钢表面缺陷检测模型

带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰,导致检测模型的精度较差的问题,提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO(EnhanceDefectsDe-tectionYOLO)。首先,构造了一个特殊卷积ECConv(EnhanceCoordConv),其使用额外的坐标通道更加清晰地感受待检测目标的空间位置信息;其次,将轻量级注意力机制EMA(EfficientMulti-ScaleAttention)嵌入特征融合网络中,使得计算资源高效且合理分配,增强特征融合能力;然后,采用CARAFE(Content-AwareReAssembly of Features Extraction)替代原融合网络的上采样模块;最后,在预测部分使用WIOU改进原损失函数,加速模型收敛。实验数据表明,该模型相较于YOLOv8n,检测精度提高3.6%,检测速度保持在166fps,并且模型大小、空间复杂度与原模型基本持平,更好地满足了复杂工业场景下带钢缺陷的实时检测要求。

基于YOLOv7-tiny改进的高性能目标检测器

针对现有YOLO系列目标检测器存在网络参数量过大和检测精度低的问题,提出了一种基于YOLOv7-tiny模型的高性能通用目标检测器YOLOv7-TT。首先,在其Backbone和Neck网络中引入GF-ELAN模块拓展网络的宽度和深度,剔除网络产生的冗余特征,从而减少参数量、降低计算成本;然后,采用改进的SimOTA样本分配方法,优化训练过程中正样本的分配,加快网络收敛速度;最后,使用知识蒸馏方法对模型进行蒸馏训练,使得模型在保证轻量化的同时提高检测精度。实验结果表明,在VOC2007和COCO2017数据集上,YOLOv7-TT相较于YOLOv7-tiny的网络参数量分别减少11%和9.7%,AP分别提高4.2和3.0个百分点,并且利用知识蒸馏的方法,使其模型检测精度进一步提升,在VOC2007数据集上AP达到59.4%,提高了5.3个百分点,有效解决了模型参数量大和检测精度低的问题。