基于改进YOLOv5的车辆与行人目标识别方法

为改进无人驾驶技术部署困难问题,该文提出一种基于YOLOv5的目标识别算法。算法引入Ghost Bottleneck模块,CBAM模块,将网络参数压缩,减少模型整体的计算量,同时提升模型推理速度;将原始模型CIoU损失函数替换为α-IoU损失函数,使得模型训练过程中更快收敛;用DWConv层替代原有网络中Neck部分的Conv层,可大大降低网络参数数量以及运算成本,同时可提取不同大小的特征信息,提升模型在物体识别方面的鲁棒性。实验证明,原始模型的参数量为7095906,权重文件为14.4 MB,mAP@0.5达到86.11%,检测速度为30.30 f/s;改进后模型参数量缩减为2546136,参数量减少了64.12%,权重文件为5.8 MB,权重文件大小减小了59.72%,mAP@0.5达到89.44%,检测速度提升至40.00 f/s,检测速度提升了32.01%。将改进后的模型部署至RK3399嵌入式移动端,算法识别速度较原始算法提升了约35.04%。

面向ADS-B信号辐射源个体识别的轻量化模型设计

针对辐射源个体识别高精确度、轻量化、实时性的现实应用需求,提出了面向广播式自动相关监测(ADS-B)信号辐射源个体识别的轻量化模型设计方法。根据信号数据特点进行解码处理,并对不均衡样本进行权重调节,改善样本质量;通过分组卷积获取不同维度的细微特征,与初始特征拼接,实现多维互补特征融合,并联同步进行提高识别效率。利用Ghost bottleneck结构实现网络模型压缩与跨层连接,在融合多维特征的同时节省计算资源。实验结果表明,本文算法结构精简,计算量低,识别率达到95.2%,并在不同容量的样本识别中效果稳定。本文算法较好地平衡了辐射源个体识别精确度、轻量化与高时效的需求。

HSKDLR:同类自知识蒸馏的轻量化唇语识别方法

针对唇语识别模型的识别率较低和计算量较大的问题,提出一种同类自知识蒸馏的轻量化唇语识别模型(HSKDLR)。首先,提出关注唇部图像空间特征的S-SE注意力模块,用其构建提取唇部图像通道特征和空间特征的i-Ghost Bottleneck模块,以提升唇语识别模型的准确率;其次,基于i-Ghost Bottleneck构建唇语识别模型,该模型通过优化瓶颈结构的组合方式降低模型计算量;然后,为提升模型准确率,减少模型运行时间,提出同类自知识蒸馏(HSKD)的模型训练方法;最后,使用同类自知识蒸馏方法训练唇语识别模型,并检验其识别性能。实验结果表明:与其他方法相比,HSKDLR具有更高的识别准确率和更低的计算量,在LRW数据集上的准确率达87.3%,浮点数运算量低至2.564 GFLOPs,参数量低至3.8723×107;同类自知识蒸馏可被应用于大多数唇语识别模型,帮助其有效提升识别准确率,减少训练时间。

基于改进YOLOv5n的轻量化光学遥感图像目标检测

针对光学遥感图像检测时存在背景复杂、目标密集、检测模型参数量和浮点计算量大的问题,提出了基于改进YOLOv5n的轻量化光学遥感图像目标检测方法。在主干网络中通过减少部分模块数量、引入无参数的SimAM注意力机制和Bottleneck Transformer结构,在参数量降低的情况下增强了网络的特征提取能力;引入Ghost卷积和使用同层跨越连接设计特征融合网络,降低模型复杂度和融合更多的特征信息;使用SIoU损失函数加快收敛速度和提升模型精度。通过在NWPU VHR-10和RSOD公开数据集上的实验结果表明,改进后的算法与原算法相比,平均精度均值(mAP0.5)分别提升了2.4%和1.5%,并且参数量减少25.4%,GFLOPs减少了21.4%。

一种基于改进YOLOv5s-Ghost网络的交通标志识别方法

针对目前自动驾驶过程中对交通标志的识别检测速度慢的问题,提出一种改进的YOLOv5s-Ghost网络模型对交通标志进行识别的方法,在3×3运算核Ghost Net模型框架下,通过两个连续的Ghost模块构建的Ghost Bottleneck模块,并代替C3模块中全部的Bottleneck模块,与跨阶段局部网络(cross-stage position network, CSPNet)模块结合生成Ghost Bottleneck CSP模块。通过调整每个模块中加入Ghost Bottleneck模块的数量,对比实验数据得到最佳网络模型。分别用原网络和新网络对TT100K数据集进行训练,对比实验数据表明,YOLOv5s-Ghost模型的检测精度达95.1%,检测速度达到了52.6 FPS,模型大小压缩了69.3%,在保证原检测精度的情况下提高了网络的检测速度。

基于深度学习的多工件抓取点定位方法

针对工业生产线中多工件杂乱放置、互相遮挡,存在漏检、错检以及抓取点定位困难问题,提出一种基于协同深度学习的多工件抓取点定位方法。首先,以YOLOv5为基础网络,在输入端增加数据预处理模块用于图像增强时的角度变换,检测层增加特征细化网络,通过旋转锚框实现旋转工件的识别定位,采用轻量化的Ghost bottleneck模块代替主干网络中的bottleneckCSP模块,消除旋转锚框二次定位增加的时间成本,将融合后的特征图分别输入注意力机制模块,获取工件关键特征;其次,根据各工件检测框进行图像裁剪,将多工件检测近似转化为单工件检测;最后,求取工件质心,并结合旋转检测框的角度值确定抓取点。实验结果表明:所提方法有效解决了工件距离相近或互相遮挡时抓取点定位问题,且检测速度和精度均有明显优势,保证了工业场景中多工件检测的实时性。