基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3...基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。展开更多
针对自动检测口罩佩戴的问题,提出了一种基于深度学习的口罩佩戴识别方法。使用YOLOv3网络为框架构建深度学习模型,并设计和完善了训练数据集。经过对网络模型的训练,成功解决了普通场景中单目标口罩识别问题。同时针对该模型在多目标...针对自动检测口罩佩戴的问题,提出了一种基于深度学习的口罩佩戴识别方法。使用YOLOv3网络为框架构建深度学习模型,并设计和完善了训练数据集。经过对网络模型的训练,成功解决了普通场景中单目标口罩识别问题。同时针对该模型在多目标检测中出现的检测置信度较低和部分目标无法识别等问题,进行了训练加强。通过对测试集的数据进行测试和分析,该方法具有较高的平均准确率(mean average precision, mAP)和稳定性。展开更多
文摘基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。
文摘针对自动检测口罩佩戴的问题,提出了一种基于深度学习的口罩佩戴识别方法。使用YOLOv3网络为框架构建深度学习模型,并设计和完善了训练数据集。经过对网络模型的训练,成功解决了普通场景中单目标口罩识别问题。同时针对该模型在多目标检测中出现的检测置信度较低和部分目标无法识别等问题,进行了训练加强。通过对测试集的数据进行测试和分析,该方法具有较高的平均准确率(mean average precision, mAP)和稳定性。