改进YOLO-RE的机房俯拍人员检测算法

针对目前数据中心监控审查采用传统人工对监控视频里的人员数量进行抽检,极其耗费人力的缺点,本文采用YOLOv7作为基线深度学习模型,提出了一种改进YOLO-RE的机房人员检测算法。首先采用SPPFCSPC网络替换原SPPCSPC模块,在保持感受野不变的情况下,提升了检测速度。然后,采用EIOU损失,优化了纵横比的模糊定义问题,并添加Focal Loss聚焦优质的锚框,解决样本不平衡的问题。最后,针对因机房枪机拍摄角度与高度使画面中通常存在较小的人员目标问题,增加小目标检测头,充分利用大尺度特征,提高小目标检测能力。实验结果表明,在现场采集的数据集上,本文方法的平均检测精度约89.7%,提高了自主检测精度和视频抽检效率,为保障数据中心的监控安全提供技术支撑。

融合大卷积核注意力机制的水下目标检测算法

水下目标检测广泛应用于水下勘探、水下生物监测等领域.水下生物的自身习性导致目标之间存在相互遮挡的问题,水体对光线的吸收与散射导致水下图像存在颜色偏移与模糊.针对上述问题,本文提出LKCA-YOLOv5水下目标检测算法.首先,设计空间融合(S2F)模块,增强对空间维度信息的关注,提高对遮挡目标的检测能力.其次,设计大核卷积注意力特征提取模块,增强对模糊及颜色偏移水下图像的特征提取能力.最后,重参数化LKCA-YOLOv5的跨尺度特征融合单元(CFFU),优化模型检测速度.实验结果表明,LKCA-YOLOv5算法在RUOD数据集和URPC数据集上的检测精度分别达到72.1%和87.3%,检测速度分别达到48FPS和33FPS,相比前沿水下目标检测算法,LKCA-YOLOv5在具有较高检测精度的同时具有更快的检测速度,更加适用于水下目标检测任务.

基于深度学习的行人和骑行者目标检测及跟踪算法研究

以YOLOv2网络作为目标检测的基础模型,为提高模型检测群簇小目标的准确率,在YOLOv2中加入残差网络,构成YOLO-R网络,通过构建行人和骑行者样本库,以及修改anchor boxes尺寸等网络参数,训练出更适合检测行人和骑行者目标的网络模型,并通过匹配算法完成行人、骑行者分类,进一步运用Kalman滤波实现多目标跟踪。试验结果表明:在训练样本、网络参数相同的情况下,YOLO-R比YOLOv2网络的平均精度均值(mAP)提高了3.4%,在满足速度要求的前提下,YOLO-R网络检测效果更优。

实时目标检测算法YOLO的批再规范化处理

实时目标检测YOLO(you only look once)算法存在检测精度低和网络模型训练速度慢等问题,对此,结合批再规范化算法处理小批样本以及非独立同分布数据的优势,引入批再规范化处理对YOLO网络结构予以改进,即把卷积层中经卷积运算产生的特征图看做神经元,并对其进行规范化处理。同时,在网络结构中移除dropout,并增大网络训练的学习率。实验结果表明,该改进算法相对于原YOLO算法具有更高的检测精度、更快的实时检测速度,并且通过适当设置批样本大小可使网络模型在训练时间和硬件设备方面成本有一定的降低。

基于结构重参数化技术的轻量化目标检测算法

现有目标检测算法消耗大量算力资源、参数量大、占用内存空间多,不利于在小型设备上推广使用。因此,基于结构重参数化技术并结合YOLO系列算法的研究成果,提出了一种轻量化目标检测模型Rep-YOLO。使用结构重参数化技术实现模型在训练时的多分支结构和推理时的线性结构之间的转换,从而减少模型推理时对算力资源的消耗。另外,为了降低模型的参数量,利用深度可分离卷积、网络裁剪等方法,重新设计了多尺度特征融合网络和检测头。实验结果表明:在PASCAL VOC上,Rep-YOLO-s1精度可达82.7%,Rep-YOLO-s1与YOLOv6s相比,在参数量减少54.8%的情况下,精度提高了2.4百分点,推理速度提升了6%。在NVIDIA RTX 3060 GPU上,Rep-YOLO-s0比YOLOv6s的推理速度快10%,Rep-YOLO-nano比YOLOv7-tiny快4%,精度提高了0.5百分点。Rep-YOLO与规模类似的模型相比,体积更小,精度更高,更加利于资源有限的部署应用。

基于改进YOLOv5的多目标垃圾分类研究

针对垃圾分类问题,传统图像识别算法通常只能对单个垃圾图像进行识别,效率低下,且对硬件要求高。本文实现了对YOLO模型改进的多目标实时轻量的目标检测模型,使用RepVGGBlock模块和结构重参数化技术来改进模型的特征提取结构,使模型轻量,方便移植进嵌入式设备中。使用BiFPN特征融合技术来融合不同特征图的信息,提高了模型对目标的定位能力。实验表明,改进后的模型比原始模型以及其他多目标检测模型的精度更高,速度更快,体积更小。

改进的DeepSORT发电厂人员跟踪算法

针对发电厂存在大型设备遮挡、跟踪算法易出现目标ID切换引起跟踪失败的问题,提出基于DeepSORT的改进算法.该算法采用YOLO v5s+DeepSORT实现目标跟踪,针对目标遮挡问题加入边缘撞线机制,设计遮挡补偿函数,缓解目标因遮挡转为删除态的问题.对目标特征保存提出基于置信度权重和关键帧的保存方法,优化特征库质量,提高算法的重识别能力.试验结果表明,改进后的跟踪算法IDS平均下降40.4%、IDF1平均提高16.1%、MOTA平均提高11.6%,MOTP平均提高2.1%,遮挡发生时ID切换次数明显减少,提高了跟踪系统的抗遮挡能力.