基于改进YOLOv7-tiny的安全帽佩戴检测算法

针对目前的安全帽佩戴检测方法在拥挤场景容易漏检和误检小目标和遮挡目标的问题,提出了一种基于YOLOv7-tiny安全帽佩戴检测方法。在YOLOv7-tiny主干网络中加入了协调注意力机制以提高网络对物体位置的感知能力;在特征融合部分设计新的加强特征提取网络结构来实现更高效的特征融合,并使用深度可分离卷积和损失函数SIoU来减少模型的收敛速度和提高检测精度;在预测头上新增一个特征层和检测尺度,进一步加强对小目标的检测能力。将改进的模型命名为DCS-YOLO,通过实验验证了DCS-YOLO模型的有效性,与原始模型相比,DCS-YOLO的模型平均精度达到93.43%,提高了4.67%,同时小目标和遮挡目标的漏检和误检得到了改善,具有良好的检测精度和检测速度,也更容易部署在计算资源和内存有限的设备上。

基于改进YOLOX的交通标志检测方法

针对交通标志在实际场景中具有目标小的特点以及在现阶段检测算法中容易造成漏检的问题,提出了一种改进YOLOX的交通标志检测方法。在主干网络中将坐标注意力机制模块与瓶颈结构相结合来提高网络对目标位置的感知能力。为了改善小目标漏检的情况,在多尺度特征融合网络中增加了一个尺度为160×160的特征图进行特征融合并输出对应尺度的检测头。使用CIoU作为定位损失函数来加快网络训练的收敛速度和提高检测精度。在交通标志数据集TT100K上的实验结果表明改进方法的平均检测精度相比原算法提升了5.04%,有效改善了漏检的情况,可以满足实时检测的需求。

基于生成模型的联邦学习隐私保护算法

在联邦学习中,交换模型参数或梯度信息通常被视作是安全的。但近期研究表明,模型参数或者梯度信息也会导致训练数据的泄露。基于保护客户端数据安全的目的,提出了一种基于生成模型的联邦学习算法。为了验证该算法的有效性,在DermaMNIST数据集上进行了仿真实验,采用梯度泄露攻击对算法进行验证。实验结果表明,提出的基于生成模型的联邦学习算法与联邦学习经典算法在准确率上仅仅相差0.02%,并且通过MSE、PSNR、SSIM等评价指标可以判断出该算法可以有效地保护数据隐私。