期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
改进YOLOv5的隧道火灾帧差检测网络与应用方法
被引量:
6
1
作者
张晋瑞
宋焕生
+4 位作者
孙士杰
梁浩翔
张朝阳
王宇
刘莅辰
《计算机工程与应用》
CSCD
北大核心
2023年第2期222-231,共10页
隧道发生火灾存在着检测难、救援难的问题,实时的火灾监测对于及时发现火情是至关重要的。传统基于视频图像的火灾检测方法,检测依赖单幅图像,无法提取多幅图像的时空信息,检测精度低,不能有效检测隧道火灾。因此,提出了隧道火灾帧差网...
隧道发生火灾存在着检测难、救援难的问题,实时的火灾监测对于及时发现火情是至关重要的。传统基于视频图像的火灾检测方法,检测依赖单幅图像,无法提取多幅图像的时空信息,检测精度低,不能有效检测隧道火灾。因此,提出了隧道火灾帧差网络。帧差网络使用3D卷积核构建网络结构,提取视频中火灾的时间上下文信息;将帧差网络衔接至YOLOv5主干网络形成隧道火灾帧差检测网络,可以检测单幅图像及两幅图像,从而充分利用视频动态信息;使用CIoU函数优化网络的边界框损失,并融合分类损失与置信度损失,使网络能够快速收敛。实验结果表明,该网络在隧道火灾数据集上的平均精度高达91.03%,检测速度达到了63.7帧/s,具有较强的鲁棒性。通过选取最优分析策略设计隧道火灾检测应用方法,该方法在隧道场景中的漏检率和误检率分别为2.52%和2.03%,可以满足隧道火灾检测的准确性和实时性需求。
展开更多
关键词
隧道
火灾检测
帧差网络
YOLOv5
下载PDF
职称材料
基于深度帧差卷积神经网络的运动目标检测方法研究
被引量:
15
2
作者
欧先锋
晏鹏程
+4 位作者
王汉谱
涂兵
何伟
张国云
徐智
《电子学报》
EI
CAS
CSCD
北大核心
2020年第12期2384-2393,共10页
复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络(Deep Difference Convolutional Neural Network,DFDCNN).DFDCNN由Differenc...
复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络(Deep Difference Convolutional Neural Network,DFDCNN).DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入(t帧和t+1帧)中获取时序信息;AppearanceNet用于从输入(t帧)中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明:DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.
展开更多
关键词
运动目标检测
复杂场景
深度
帧
差
卷积神经
网络
时序信息
空间信息
多尺度特征图融合
下载PDF
职称材料
题名
改进YOLOv5的隧道火灾帧差检测网络与应用方法
被引量:
6
1
作者
张晋瑞
宋焕生
孙士杰
梁浩翔
张朝阳
王宇
刘莅辰
机构
长安大学信息工程学院
中车株洲电力机车有限公司
出处
《计算机工程与应用》
CSCD
北大核心
2023年第2期222-231,共10页
基金
国家自然基金面上项目(62072053)
国家自然基金青年项目(62006026)
+1 种基金
中央高校基本科研业务费专项资金(300102241202)
中央高校基本科研业务费专项资金(300102241304)。
文摘
隧道发生火灾存在着检测难、救援难的问题,实时的火灾监测对于及时发现火情是至关重要的。传统基于视频图像的火灾检测方法,检测依赖单幅图像,无法提取多幅图像的时空信息,检测精度低,不能有效检测隧道火灾。因此,提出了隧道火灾帧差网络。帧差网络使用3D卷积核构建网络结构,提取视频中火灾的时间上下文信息;将帧差网络衔接至YOLOv5主干网络形成隧道火灾帧差检测网络,可以检测单幅图像及两幅图像,从而充分利用视频动态信息;使用CIoU函数优化网络的边界框损失,并融合分类损失与置信度损失,使网络能够快速收敛。实验结果表明,该网络在隧道火灾数据集上的平均精度高达91.03%,检测速度达到了63.7帧/s,具有较强的鲁棒性。通过选取最优分析策略设计隧道火灾检测应用方法,该方法在隧道场景中的漏检率和误检率分别为2.52%和2.03%,可以满足隧道火灾检测的准确性和实时性需求。
关键词
隧道
火灾检测
帧差网络
YOLOv5
Keywords
tunnel
fire detection
frame difference network
YOLOv5
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于深度帧差卷积神经网络的运动目标检测方法研究
被引量:
15
2
作者
欧先锋
晏鹏程
王汉谱
涂兵
何伟
张国云
徐智
机构
湖南理工学院信息科学与工程学院机器视觉与人工智能研究中心
桂林电子科技大学广西图像图形智能处理重点实验室
出处
《电子学报》
EI
CAS
CSCD
北大核心
2020年第12期2384-2393,共10页
基金
湖南省自然科学基金项目(No.2020JJ4340,No.2020JJ4343)
国家自然科学基金(No.61662014)
+4 种基金
湖南省教育厅优秀青年项目(No.19B245)
湖南省研究生教育创新工程和专业能力提升工程项目(No.CX20201114)
湖南省三维重建与智能应用技术工程研究中心(No.2019-430602-73-03-006049)
湖南省应急通信工程技术研究中心(No.2018TP2022)
广西科技基地和人才专项(No.AD19110022)。
文摘
复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络(Deep Difference Convolutional Neural Network,DFDCNN).DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入(t帧和t+1帧)中获取时序信息;AppearanceNet用于从输入(t帧)中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明:DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.
关键词
运动目标检测
复杂场景
深度
帧
差
卷积神经
网络
时序信息
空间信息
多尺度特征图融合
Keywords
moving object detection
complex scenes
deep frame difference convolutional neural network
temporal information
spatial information
multi-scale feature map fusion
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
改进YOLOv5的隧道火灾帧差检测网络与应用方法
张晋瑞
宋焕生
孙士杰
梁浩翔
张朝阳
王宇
刘莅辰
《计算机工程与应用》
CSCD
北大核心
2023
6
下载PDF
职称材料
2
基于深度帧差卷积神经网络的运动目标检测方法研究
欧先锋
晏鹏程
王汉谱
涂兵
何伟
张国云
徐智
《电子学报》
EI
CAS
CSCD
北大核心
2020
15
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部