基于知识图谱WordNet实现多数据集合并及其在YOLO9000中的应用

超大规模训练数据及数据标注的高额代价是基于深度学习的目标检测算法面临的挑战之一,随着可检测目标类别数目的增加,情况变得尤其严重。YOLO9000提出一种目标检测和图像分类联合训练的方法,对COCO检测数据集和ImageNet分类数据集合并使用,提供了充足的训练数据,检测对象类别达到9000种。文章探讨YOLO9000中采用的数据集合并方法,即利用知识图谱WordNet信息,在两个不同类别的大型数据集上实现无冲突的图像标注策略。此方法以WordNet为语义检索,构建WordTree数据结构,辅以在层级间进行局域概率计算的多域Softmax函数设计,使得YOLO9000可以检测没有任何标记的检测数据的对象类别,大大提高了目标检测系统的检测数量,同时依然保持良好的实时性。本文论述的方法对于不同来源的数据集实施合并具有重要的指导意义。

基于锚框的深度学习物体目标检测算法概览

将深度学习方法结合进目标检测算法突破了传统算法的性能瓶颈,成为计算机视觉领域一个热门的研究课题.本文对当下最流行的基于深度学习物体目标检测算法进行深入研究,得出一个整体认识,为目标检测应用系统开发的先进性与高效性提供有益的理论指导.沿着时间顺序梳理了深度卷积神经网络进入物体目标检测算法的发展过程,按照两阶段和一阶段实现对主要的算法划分两大类别;同时,参考是否采用锚框又分为基于锚框和非锚框的两种方式.围绕发展更成熟的基于锚框的检测系统详细探讨了算法的实现原理,并指出当前物体目标检测系统面临的难点问题和关键技术.最后,对物体目标检测算法发展的方向进行了展望.

基于YOLOv4的多形态火焰目标检测模型训练方法研究

火灾是一种多发的破坏性灾难,通常会导致生命和财产巨大损失,利用图像监控系统,研究自动化火焰目标检测模型意义重大。文章采用基于深度学习的目标检测系统YOLOv4算法训练模型。自建了一个没有重复数据,包含1566张火焰图像的数据集Multifire,它是一个小规模的混合数据集,进行了精心的数据标注和清洗,旨在训练通用性好的多形态火焰检测模型。通过在不同分布的火焰数据子集上实施交叉验证,筛选出3个性能良好的火焰检测模型,模型针对规则火、森林野火和混合火进行检测,综合性能指标F1,分别达到了0.87、0.88和0.78。对于一般性的多形态火焰检测任务,笔者提出一种集成检测的策略,有效降低火焰目标检测的漏检率,提高火焰检测系统的可用性和安全性。