-
题名基于YOLOv5s模型的边界框回归损失函数研究
- 1
-
-
作者
董恒祥
潘江如
董芙楠
赵晴
郭鸿鑫
-
机构
新疆农业大学交通与物流工程学院
新疆工程学院控制工程学院
-
出处
《现代电子技术》
北大核心
2024年第3期179-186,共8页
-
文摘
针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。
-
关键词
车辆检测
边界框回归损失函数
目标尺度
YOLOv5s
CIoU
SIoU
Focal-EIoU
WIoU
-
Keywords
vehicle inspection
bounding box regression loss function
object scale
YOLOv5s
CIoU
SIoU
Focal⁃EIoU
WIoU
-
分类号
TN911.1-34
[电子电信—通信与信息系统]
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名改进YOLOv5s的车载红外图像目标检测
被引量:9
- 2
-
-
作者
宋甜
李颖
王静
-
机构
四川大学电子信息学院
-
出处
《现代计算机》
2022年第2期21-28,共8页
-
文摘
针对车载红外图像分辨率低、目标小且细节模糊导致检测精度不高的问题,提出了一种基于改进YOLOv5s的目标检测网络。网络对SPP模块进行改进和添加,然后在骨干网络中嵌入了坐标注意力模块,将位置信息嵌入到通道注意力中,使得网络能够在更大的区域上进行注意力,更多地关注重要的目标特征,提高模型的表现力。最后用EIOU边界框损失函数替换CIOU Loss,进一步提高网络的检测精度。在FLIR车载红外图像数据集的测试集上的实验表明,改进模型较YOLOv5s网络mAP@0.5值提升了3.4%,且几乎不影响检测速度和模型权重大小,满足体积小和轻量化的需求,适合部署到车载嵌入式系统中。
-
关键词
目标检测
YOLOv5s
SPP
坐标注意力机制
车载红外图像
边界框回归损失函数
-
Keywords
object detection
YOLOv5s
SPP
coordinate attention mechanism
vehicle-mounted infrared image
bounding box regression loss function
-
分类号
U463.6
[机械工程—车辆工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名面向内河航运安全监控的多尺度船舶图像目标识别方法
被引量:2
- 3
-
-
作者
张煜
康哲
马杰
李斌
-
机构
武汉理工大学物流工程学院
武汉理工大学航运学院
福建工程学院交通运输学院
-
出处
《大连海事大学学报》
CAS
CSCD
北大核心
2022年第1期62-72,共11页
-
基金
国家自然科学基金面上项目(51679182,71874132)
绿色智能内河船舶创新专项资助。
-
文摘
针对YOLOv3算法中IoU边界框回归损失函数对小尺度船舶预测框容易产生误识及漏识问题,利用目标预测框与真实框的最小闭包区域和关键点的归一化距离,提出一种新的损失函数MIoU,该损失函数可显著提升多尺度船舶目标预测框的回归速度及精度。实验表明:提出的YOLOv3-MIoU算法对六类船舶的识别精度均超过97%,mAP值达到98.44%;与采用其他损失函数方法相比,YOLOv3-MIoU在不同尺度及不同类型船舶识别中均具有较高的识别准确率,特别对渔船等小尺度船舶识别准确率较其他方法提升3%以上,可以达到内河航运安全监控的应用需求。
-
关键词
内河安全监控
船舶目标识别
边界框回归损失函数
多尺度现象
深度卷积神经网络
-
Keywords
safety monitoring for inland river
recognition of ship targets
loss function for bounding box regression
multi-scale phenomenon
deep convolutional neural network
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于YOLOv3的农田鸟类目标检测算法
被引量:4
- 4
-
-
作者
潘语豪
危疆树
曾令鹏
-
机构
四川农业大学信息工程学院
-
出处
《激光与光电子学进展》
CSCD
北大核心
2022年第2期502-510,共9页
-
基金
赛尔网络下一代互联网技术创新项目(NGII20170605)。
-
文摘
针对近年来鸟类啄食对农业生产带来的损失,通过实时检测鸟类优化传统驱鸟器开关策略,提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进,将SE模块嵌入进主干网络的Darknet53网络中,关注不同通道特征的重要程度。采用自适应空间特征融合(ASFF)增强网络中特征金字塔网络(FPN)的特征融合,提升各尺度的检测能力。引入CIOU边界框回归损失函数,将预测框和目标框在有重叠甚至包含等情况考虑进去,使目标框回归变得更加准确和稳定。改进后的YOLOv3模型在自制鸟类数据集上的精度均值(AP)达到96.65%,单张图像检测耗时仅为0.058 s,相比于原YOLOv3模型在检测速度变化不大的情况下AP提高了2.54百分点。该改进方法能达到很好的实时性和更佳的检测精度,对农田防治鸟害优化驱鸟器开关策略提供依据。
-
关键词
视觉光学
目标检测
YOLOv3
SE模块
特征融合
边界框回归损失函数
-
Keywords
visual optics
object detection
YOLOv3
SE module
feature fusion
loss function of bounding-box regression
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
S126
[农业科学—农业基础科学]
-