融合GIoU和Focal loss的YOLOv3目标检测算法

YOLOv3目标检测算法检测速度快且精度较高,但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法,该算法在YOLOv3的基础上,对网络中的残差块增加旁路连接,进一步进行特征重用,以提取更多的特征信息。同时,采用GIoUloss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化。在损失函数中加入Focal loss,减小正负样本不平衡带来的误差。在PASCAL VOC和COCO数据集上的实验结果表明,该算法能够在不影响YOLOv3算法实时性的前提下,提高目标检测的mAP。该算法在PASCAL VOC 2007测试集上达到83.7mAP(IoU=0.5),在COCO测试集上比YOLOv3算法提升2.27mAP(IoU[0.5,0.95])。

改进YOLO v3算法及其在安全帽检测中的应用

YOLO v3目标检测算法由于其速度快、精度较高,在工业中获得了广泛应用,但存在目标函数与评价指标不统一的问题,针对此问题提出了改进YOLO v3目标检测算法。该算法改进GIoU计算方法,并与YOLO v3算法目标函数相结合,设计了一个新的目标函数,实现了目标函数局部最优为IoU局部最优。公共数据集VOC2007和安全帽佩戴数据集测试结果表明,相比于YOLO v3算法,改进YOLO v3的mAP-50分别提高了2.07%和2.05%。

教室监控下学生异常行为检测系统

针对教室监控中学生异常行为无法实时检测并反馈的现状,设计了一套基于YOLO v3算法的教室监控学生异常行为检测系统,包括摄像头硬件采集、异常行为识别和响应三个模块。其中采用基于数据标签的随机擦除预处理方法模拟图像中的目标被遮挡的情形,提高网络的泛化能力,使得网络仅通过学习局部特征即可完成目标的检测和识别;其次改进了YOLO v3算法的骨干网络Darknet,扩充浅层网络,使网络不容易忽略图片边缘或小目标物体。改进后网络的精准度、召回率以及运算速度分别提升4.2%、4.8%和8 frame/s;最后将检测功能集成于Qt编写的可视化软件,降低使用检测模型的成本,满足实时检测任务的要求,一定程度上减轻教员工作量并且提升课堂效率。

基于改进YOLOv3模型的道路车辆多目标检测方法

针对YOLOv3模型对真实道路环境下近、远端目标车辆检测率低、鲁棒性差的问题,给出了一种基于改进YOLOv3模型的车辆多目标检测模型——YOLOv3-Y模型。模型基于Darknet-53特征提取网络,将网络输出的8倍降采样特征图与4倍降采样特征图进行拼接,建立104×104尺度的检测层;在包含4个类别的车辆数据集中,利用K均值(K-means)聚类算法选取出12个先验框并分别匹配到4个不同尺度的检测层中;同时引入了GIOU损失函数对交并比(intersection-over-union,IOU)损失函数进行优化。采用实验室实际道路车辆数据集,将YOLOv3-Y与YOLOv2、YOLOv2-voc、YOLOv2-tiny、YOLOv3及YOLOv3-tiny模型进行对比,结果表明:YOLOv3-Y模型的平均精度均值与召回率明显优于上述算法,提升最小值分别为11.05%和5.20%。

基于改进FCOS网络的自然环境下苹果检测

为了快速识别和准确定位自然环境下苹果果实目标,提出了一种改进全卷积单阶段无锚框(Fully Convolutional One-Stage object detection,FCOS)网络的苹果目标检测方法。该网络在传统FCOS网络基础上,使用模型体积较小的darknet19作为骨干网络,将center-ness分支引入到回归分支上。同时提出了一种融合联合交并比(GIoU)和焦点损失(Focal loss)的损失函数,在提高检测性能的同时降低正负样本比例失衡带来的误差。首先,对田间采集的自然环境下的苹果图像进行数据增强和标注,使用darknet骨干网络提取图像特征,然后将不同尺度待检测目标分配到不同的网络层中进行预测,最后进行分类和回归,实现苹果目标的检测。该研究在计算机工作站上对不同光照条件、不同密集程度和不同遮挡程度的苹果果实进行检测试验,并与传统FCOS网络的检测结果进行对比分析。基于改进FCOS网络的检测准确率为96.0%,检测精度均值(mean Average Precision,mAP)为96.3%。试验结果表明,改进FCOS网络比传统FCOS网络的苹果检测方法在检测准确度上有提高,具有较强的鲁棒性。

一种基于YOLOv4的改进DeepSort目标跟踪算法

针对车辆检测在弱光照和有遮挡情况下出现的漏检问题,提出了一种基于YOLOv4的改进DeepSort目标跟踪算法。首先使用YOLOv4算法对输入图片进行特征提取,获得目标信息,然后采用卡尔曼滤波算法估计车辆的轨迹状态并进行状态更新,最后在级联匹配中运用匈牙利匹配算法对检测框和预测框进行匹配。对未成功匹配的轨迹和检测结果,用广义交并比(GIOU)关联匹配代替交并比(IOU)匹配,提高DeepSort跟踪算法的匹配性能。对比单一检测算法和加入跟踪算法后的车辆检测效果,结果表明,加入跟踪算法后的车辆模型漏检现象变少,检测效果得到提高,鲁棒性增强,且MOTA提高了7.55%,证明了改进方法的有效性。

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比(GIoU)损失替换均方误差(MSE)损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值(mAP)指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数(FPS)亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。

基于改进的YOLO v3车辆检测方法

为了有效地解决传统车辆检测算法中存在的泛化能力差、识别率不高的问题,提出了一种基于改进YOLO v3的车辆检测算法。改进的车辆算法对原YOLO v3中的模型进行剪枝处理,采用Darknet-53网络结构提取特征,同时结合回归损失函数GIOU算法对检测精度进行提高。在运用K-means++聚类分析算法处理数据基础上,运用所提出的改进YOLO v3算法,基于COCO数据集进行了网络的训练、测试和验证。试验结果表明,改进后的YOLO v3算法在车辆检测上的泛化能力得到提升,并兼具速度优势。

基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法

柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,AverageIoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。

改进YOLOv3和DeepSort的多目标跟踪算法

针对多目标跟踪在遮挡时漏检或ID切换问题,提出了一种基于改进YOLOv3和DeepSort的算法。该算法对YOLOv3用CIOU损失代替原算法中的边界框损失函数,同时用K-means++算法重新聚类选取适合的先验框。采用改进的YOLOv3对目标进行检测,利用卡尔曼滤波进行预测和更新,在级联匹配中用匈牙利算法进行匹配,二次匹配时对未成功匹配及未匹配的检测结果用GIOU匹配。改进后的YOLOv3比原YOLOv3在KITTI数据集上的均值平均精度提高了2.19%,F1-score提高了1.23%,该算法能够在部分遮挡时跟踪目标并保持ID不变。