基于循环特征融合的弯道增强车道线检测算法

针对道路转弯处曲率过大导致弯道识别的精度下降的问题,本文提出了一种基于循环特征融合Resa-CC的弯道增强车道线检测算法。该算法利用车道线的形状先验性,捕获图像像素中行与列的空间关系,融合信息生成特征图;以残差网络为主体框架,加入编码器、解码器和注意力机制模块,在损失函数中引入弯道结构约束来提高车道线弯道的识别精度。加入循环特征融合模块和自注意力机制模块后准确率分别提升3.41%和1.1%,证明了两模块的有效性;Resa-CC算法准确率可达96.83%,FPS为35.68,误检率FP和漏检率FN分别为0.0315和0.0282,表明本文算法具有较高的检测性能,在车辆行驶弯道路段中能更准确地推断出车道线的位置。

基于YOLOv3-SE-RE模型的羊姿态识别

为了实现养殖场环境下羊只个体的有效识别及对羊只姿态进行迅速判断,针对现有模型识别精度差,效率低等问题,基于自建数据集,提出基于YOLOv3的改进模型。在主干网络darknet53中,首先引入通道注意力模块压缩激励网络,增强网络对重要通道的关注度,提高网络检测精度;其次,将网络中的部分残差模块用循环特征移位聚合模块替代,以提高检测速度和检测精度;采用余弦退火动态学习率替代原有学习率,在训练过程中进行动态微调,使网络能轻松跳出局部最优解。实验结果表明:在羊只检测与姿态识别任务中,YOLOv3-SE-RE算法的平均精度(mean Average Precision,mAP)比原始YOLOv3算法的mAP提升了9.98%,同时检测速度也得到提升。