面向垃圾分类场景的轻量化目标检测方案

针对边缘端进行垃圾检测分类实时性差的问题,提出轻量化的Yolov5垃圾检测解决方案.引入Stem模块,增强模型对输入图像的特征提取能力.将backbone的C3模块进行改进,提高特征提取能力.使用深度可分离卷积替换网络中的3×3降采样卷积,实现模型轻量化.使用K-means++算法重新计算物体的锚框值,使模型在训练过程中能够更好地预测目标框的大小.通过实验研究对比可知,改进模型相比于Yolov5s模型,mAP_0.5提升了0.8%,mAP_0.5:0.95提升了3%,模型参数量减少到原来的77.9%,推理速度提升了21.9%,极大地提高了模型的检测性能.

基于YOLOv5融合注意力机制的轻量级行人检测算法研究

为实现行人自动、快速以及准确检测,提出一种高性能轻量化网络模型。首先,利用图像增强算法对比度自适应直方图均衡化进行图像预处理;其次,针对当前行人检测算法模型参数较多,计算量和内存占用大的问题,将Stem模块和ShuffleNetV2进行融合,并在每个深度卷积中将核大小从3个增加到5个,以获得更大的感受野,同时改进YOLOv5主干网络;最后,针对环境变化导致难以被准确检测的问题,利用ECA注意力模块可以提高数据的丰富性,从而进一步提高特征表达能力和鲁棒性。实验结果表明,改进后的算法能够较好地解决行人检测时易受环境干扰影响导致检测精度下降的问题,其平均检测精度可达94.6%,检测速度为35 fps。

引领学生有效学习

科学课教学不能只是让学生获得浅层次的认知,识记一些科学概念,而应深入研究学生的学习是如何发生的,了解他们有怎样的认知兴趣和认知需要,引领他们有效学习。那么如何引领学生有效学习呢?文章提出从优化教学信息,重视游戏化教学,有效利用"拓展与应用",善用STEM教育模块,充分利用现代教育信息技术等方面着手。