针对小尺寸列车风管与折角塞门的检测问题,提出一种多尺度特征增强的YOLOv5s检测算法。首先在主干网络Backbone增加了一个大尺寸特征图输出分支,使用C2f(CSP bottleneck with 2 convolution and forward)模块丰富新增特征图的梯度流信息...针对小尺寸列车风管与折角塞门的检测问题,提出一种多尺度特征增强的YOLOv5s检测算法。首先在主干网络Backbone增加了一个大尺寸特征图输出分支,使用C2f(CSP bottleneck with 2 convolution and forward)模块丰富新增特征图的梯度流信息;然后在Neck部分使用自适应空间特征融合增强特征金字塔模型FPN (Feature Pyramid Network)的多尺度特征融合能力,并使用路径聚合模型PAN(Path Aggregation Network)提高目标定位能力;检测头Head拥有4种尺度的特征图,其中新增特征图的尺寸最大,用于增强小尺寸目标的检测能力。实验结果表明,多尺度特征增强的YOLOv5s比原来的YOLOv5s在平均精度mAP(mean Average Precision)上提升了1.5%,优于其他检测器,提升了小尺寸风管和折角塞门的检测能力。展开更多
针对可见光通信信号在传输中易受信道环境和背景噪声干扰等因素影响调制格式识别精度的问题,提出一种用于可见光通信信号调制格式识别的改进YOLOv5s(You Only Look Once)算法。首先,通过YOLOv5s算法网络输入端引入Mixup数据增强方式,将...针对可见光通信信号在传输中易受信道环境和背景噪声干扰等因素影响调制格式识别精度的问题,提出一种用于可见光通信信号调制格式识别的改进YOLOv5s(You Only Look Once)算法。首先,通过YOLOv5s算法网络输入端引入Mixup数据增强方式,将其与原网络中的Mosaic数据增强方式相结合,提升网络的鲁棒性,并增强算法在不同调制格式信号间的泛化能力;其次,将自适应空间特征融合(ASFF)引入到Neck网络中,充分提取不同层次的特征,提高检测精度。实验结果表明,在混合信噪比条件下,所提改进算法的平均精度均值(mAP)达到了0.903,比原始YOLOv5s算法提升了0.7%,且在信噪比为20 dB时mAP高达0.993。展开更多
文摘针对小尺寸列车风管与折角塞门的检测问题,提出一种多尺度特征增强的YOLOv5s检测算法。首先在主干网络Backbone增加了一个大尺寸特征图输出分支,使用C2f(CSP bottleneck with 2 convolution and forward)模块丰富新增特征图的梯度流信息;然后在Neck部分使用自适应空间特征融合增强特征金字塔模型FPN (Feature Pyramid Network)的多尺度特征融合能力,并使用路径聚合模型PAN(Path Aggregation Network)提高目标定位能力;检测头Head拥有4种尺度的特征图,其中新增特征图的尺寸最大,用于增强小尺寸目标的检测能力。实验结果表明,多尺度特征增强的YOLOv5s比原来的YOLOv5s在平均精度mAP(mean Average Precision)上提升了1.5%,优于其他检测器,提升了小尺寸风管和折角塞门的检测能力。
文摘针对可见光通信信号在传输中易受信道环境和背景噪声干扰等因素影响调制格式识别精度的问题,提出一种用于可见光通信信号调制格式识别的改进YOLOv5s(You Only Look Once)算法。首先,通过YOLOv5s算法网络输入端引入Mixup数据增强方式,将其与原网络中的Mosaic数据增强方式相结合,提升网络的鲁棒性,并增强算法在不同调制格式信号间的泛化能力;其次,将自适应空间特征融合(ASFF)引入到Neck网络中,充分提取不同层次的特征,提高检测精度。实验结果表明,在混合信噪比条件下,所提改进算法的平均精度均值(mAP)达到了0.903,比原始YOLOv5s算法提升了0.7%,且在信噪比为20 dB时mAP高达0.993。
