基于改进YOLO v5的电网工人防具检测

为了防止电网工人在高空作业时防具穿戴不当而导致安全事故发生,基于PyTorch框架提出一种改进型的轻量级防具检测算法.首先将YOLO v5s的Backbone用轻量级网络GhostNet来替换,降低网络复杂程度,减少参数量;然后针对工人在高空作业中的目标遮挡问题,通过改进随机擦除与Mosaic数据增强的方法模拟高空中防具被遮挡的情况;最后优化loss函数,采用Distance IoU替换常用的IoU,解决网络检测框位置偏差大的问题.采用平均精度均值mAP与模型大小来评估本文改进算法与其他算法对防具检测的效果,试验结果表明了本文改进方法的有效性,满足在移动端部署的需求.

基于模型剪枝和知识蒸馏的船舶目标检测方法

针对基于深度学习的目标检测技术需要大量计算、卷积网络里大量参数占用内存空间导致模型太大无法较好进行部署等问题,提出一种基于模型剪枝和知识蒸馏的船舶目标检测方法.首先构建小样本船舶数据集,通过数据增广来扩充数据集数量,然后采用YOLO v3模型对其进行训练,接着对网络进行模型剪枝,最后采用知识蒸馏技术对剪枝后的模型进行蒸馏,补偿剪枝后模型的检测精度损失.试验表明,剪枝后压缩了模型体积,且仍有较高的检测精度.