-
题名面向边缘计算平台及遥感影像的实时检测算法
被引量：1
- 1
-
-
作者
杨洋
宋品德
杨思念
曹立佳
-
机构
四川轻化工大学自动化与信息工程学院
四川轻化工大学计算机科学与工程学院
人工智能四川省重点实验室
企业信息化与物联网测控技术四川省高校重点实验室
-
出处
《电子测量技术》
北大核心
2024年第2期150-159,共10页
-
基金
国家自然科学基金(51905540)
中国高校产学研创新基金(2021ZYA11002)
研究生创新创业基金(Y2023271)项目资助。
-
文摘
针对现有目标检测算法难以满足无人机遥感中实时检测的问题,提出了一种基于ShuffleNetv2及结构化剪枝的模型压缩方法。以YOLOv5m为基础,将ShuffleNetv2模型作为YOLOv5m的主干网络,减少模型的参数量及计算量,提升模型推理速度;其次,利用ECA注意力机制替换ShuffleNetv2中的SE模块,强化主干网络的特征提取能力;再者,以FocalEIoU作为YOLOv5算法的损失函数,提升模型的回归能力;最后,利用通道剪枝算法剔除Neck结构中冗余的参数,进一步压缩模型的参数及计算量,并通过模型微调的方式提升剪枝模型的精度。实验结果表明,在相同的测试环境下,与YOLOv5m相比,本文所提出模型的参数量及浮点运算量分别降低了86.3%和80.0%,mAP@0.5和mAP@0.5:0.95达到了92%及50.4%,优于所对比的其他主流检测算法。此外,所提出的模型在AGX边缘计算平台上达到了35帧/s的检测速度,满足实时检测的要求。
-
关键词
遥感影像
剪枝
轻量化网络
FocalEIoU损失函数
边缘计算平台
-
Keywords
remote sensing image
pruning
lightweight network
FocalEIoU loss
edge computing platform
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名YOLO算法在目标检测中的研究进展
被引量：41
- 2
-
-
作者
耿创
宋品德
曹立佳
-
机构
四川轻化工大学自动化与信息工程学院
桥梁无损检测与工程计算四川省高校重点实验室
四川轻化工大学计算机科学与工程学院
人工智能四川省重点实验室
-
出处
《兵器装备工程学报》
CAS
CSCD
北大核心
2022年第9期162-173,共12页
-
基金
四川省科技计划项目(2020YJ0368)
自贡市科技计划重点项目(2019YJ03)
+1 种基金
桥梁无损检测与工程计算四川省高校重点实验室开放课题基金(2021QZJ01)
研究生创新创业基金项目(y2021064)。
-
文摘
YOLO系列算法以其优异的检测性能成为目标检测领域的热点问题。回顾了目标检测领域的发展历程,综述了基于深度学习的两类目标检测算法。分别以YOLO系列3个常用算法(YOLO V2、YOLO V3和YOLO V4),在复杂气象条件、复杂背景或复杂姿态下的目标检测任务为切入点,介绍了针对YOLO做出的改进,如:改进特征图、调整分辨率、优化NMS、替换目标函数、融合多模态、修改检测框等措施,并分析了改进算法与原算法的性能。分析研究了目标检测领域常用的数据集,总结了当前YOLO算法在目标检测领域存在的问题以及未来的研究发展趋势。
-
关键词
YOLO
目标检测
深度学习
改进算法
数据集
-
Keywords
YOLO
target detection
deep learning
improved algorithm
dataset
-
分类号
TP75
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名无人机视角下基于深度学习的多目标跟踪研究进展
被引量：1
- 3
-
-
作者
杨洋
宋品德
钟春来
曹立佳
-
机构
四川轻化工大学自动化与信息工程学院
四川轻化工大学计算机科学与工程学院
人工智能四川省重点实验室
企业信息化与物联网测控技术四川省高校重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第23期48-62,共15页
-
基金
国家自然科学基金(51905540)
中国高校产学研创新基金(2021ZYA11002)
研究生创新创业基金项目(Y2023271)。
-
文摘
基于无人机平台的多目标跟踪在智慧城市、农业生产、灾害预警与搜救等多个领域有广泛的应用前景。与普通视角下的多目标跟踪相对成熟不同,无人机视角下的多目标跟踪面临一系列尚未完全解决的问题,主要包括目标尺度变化、相似目标干扰、目标被遮挡和重叠以及目标分布不均等。梳理了近年来在普通视角下的经典多目标跟踪算法,并以基于检测的跟踪框架为主,综合分析了无人机视角下多目标跟踪领域的主要技术路线和最新方法。统计了性能评估方法和主流数据集,分析了当前无人机视角下多目标跟踪所面临的主要挑战,并对未来的研究趋势进行展望,旨在为后续相关研究提供参考。
-
关键词
无人机(UAV)
多目标跟踪
深度学习
基于检测的跟踪
联合检测的跟踪
-
Keywords
unmanned aerial vehicle(UAV)
multi-target tracking
deep learning
tracking by detection
joint detection tracking
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
