基于ST-YOLOv5算法的道路交通信号灯检测

针对YOLOv5算法在检测交通信号灯过程中存在的误检、漏检及模型特征提取能力不足等问题,提出改进的交通信号灯检测算法ST-YOLOv5。首先,去除主干网络末端的卷积层,并在末端加入基于窗口和移动窗口的多头注意力机制;其次,设计由高分辨率、低水平特征图组成的检测层;最后,通过增加浅层高分辨率特征与深层强语义特征之间的跨层级连接来缓解由于通道数减少而造成的小目标信息丢失问题,并在多层特征聚合后加入有关通道和位置的注意力机制。实验结果表明,在BDD100K数据集中,此改进算法对交通信号灯的检测精度达到70.10%,有效减少了误检、漏检等问题。

基于改进YOLOv5s的老人跌倒识别算法研究

为应对人口老龄化加剧带来的老年人居家安全问题,提出了一种实时准确的跌倒识别算法。目前基于计算机视觉的跌倒检测主要存在跌倒类间相似性大、监控角度相对固定而跌倒角度多变、特征提取困难、难以联系图像依赖关系等问题。为此,采用同一动作8个拍摄角度的数据集,使模型能够充分学习到多种特征;将所有跌倒行为归为一类,总类别数为二分类;改进原网络的候选框、添加CC-Net、改进非极大值抑制算法,进行分类训练,并对训练好的模型进行对比评估。实验结果表明,该方法的平均准确率比YOLOv4和YOLOv5s模型分别提高了5.9%和2.6%,比SSD算法提高了11.1%,能够基本满足检测需求。

基于改进YOLOv3的遥感图像目标检测算法

针对遥感图像中小目标数量多且检测困难、漏检误检现象严重等问题,基于YOLOv3算法修改损失函数、调整图片输入尺寸、采用多尺度训练、加入标签平滑策略,提高了模型对遥感图像中小目标的检测能力。训练结果表明,基于改进YOLOv3的遥感图像目标检测算法在公开数据集VISDrone2019中的平均准确率为19.9%,基本能够满足遥感图像小目标的检测要求。

基于Anchor上下文辅助的教室场景人群计数研究

通过人脸检测的方式实现人群计数统计,采用了基于Anchor上下文辅助的目标检测算法。针对特定的教室场景收集了大量的课堂图像信息样本,并予以标记,以扩展Wider Face数据集。经多次训练,不断调整参数,最终获得最佳教室人脸检测模型。通过实际教室人数统计实验,检测出教室人脸数,进而得到教室人数状态信息。结果验证了该算法用于教室场景人群计数的可行性和有效性。