改进YOLOv5识别复杂环境下棉花顶芽

为提高复杂环境下棉花顶芽识别的精确率,提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集,在原有模型结构上增加目标检测层,提高了浅层与深层的特征融合率,避免信息丢失。同时加入CPP-CBAM注意力机制与SIOU边界框回归损失函数,进一步加快模型预测框回归,提升棉花顶芽检测准确率。将改进后的目标检测模型部署在Jetson nano开发板上,并使用TensorRT对检测模型加速,测试结果显示,改进后的模型对棉花顶芽识别平均准确率达到了92.8%。与Fast R-CNN、YOLOv3、YOLOv5s、YOLOv6等算法相比,平均准确率分别提升了2.1、3.3、2、2.4个百分点,该检测模型适用于复杂环境下棉花顶芽的精准识别,为后续棉花机械化精准打顶作业提供技术理论支持。

针对跨姿态人脸识别的度量学习方法

近年来,由于深度学习技术的引入,人脸识别技术取得显著的发展。然而,当前的人脸识别模型在解决跨姿态人脸识别问题上效果仍然不理想。其中导致这一现象的主要原因是,目前用来训练人脸模型的数据集中姿态变化较少或者不均衡。针对跨姿态人脸识别问题,提出一种基于度量学习的方法 CPP Loss。该方法能够有效地利用训练集中有限的姿态变化,在基准模型上进一步提升其在跨姿态条件下的人脸识别准确率。