针对火焰图像检测计算成本高和网络规模大等问题,提出一种基于改进YOLOv9的火焰检测算法。采用参数量更小的Repvit网络替代YOLOv9原本的主干网络提取特征,并引入多层次特征融合(semantics and detail infusion,SDI)机制,加入Ghost卷积...针对火焰图像检测计算成本高和网络规模大等问题,提出一种基于改进YOLOv9的火焰检测算法。采用参数量更小的Repvit网络替代YOLOv9原本的主干网络提取特征,并引入多层次特征融合(semantics and detail infusion,SDI)机制,加入Ghost卷积和超轻量化上采样算子,构建GhostSDID模块进行不同尺度的特征融合;在预测部分融合LSKblock块,构建特征提取模块GELANLSK动态地调整感受野;在检测部分构建双重注意力机制模块,增强特征表达能力。实验结果表明,所提算法与YOLOv9算法相比,在参数量减少32.3%、运算量降低42%的基础上,平均精度均值(mean average precision,MAP)分别提升2%和2.1%,适用于不同场景下的火焰检测。展开更多
及时发现野外火灾对于保障人民生命财产安全具有重要意义。虽然深度学习模型常用于火焰检测,但在识别小目标时效果不佳。文章提出一种基于YOLOv8(You Only Look Once v8)的检测方法。该方法采用HGNet V2作为主干网络,通过优化的网络结构...及时发现野外火灾对于保障人民生命财产安全具有重要意义。虽然深度学习模型常用于火焰检测,但在识别小目标时效果不佳。文章提出一种基于YOLOv8(You Only Look Once v8)的检测方法。该方法采用HGNet V2作为主干网络,通过优化的网络结构,增强特征提取能力,然后,改进特征融合网络,通过加入跨层跳跃连接,提高特征融合效果。实验显示,该方法在降低计算复杂度和参数量的同时,提高了检测精度。展开更多
文摘针对火焰图像检测计算成本高和网络规模大等问题,提出一种基于改进YOLOv9的火焰检测算法。采用参数量更小的Repvit网络替代YOLOv9原本的主干网络提取特征,并引入多层次特征融合(semantics and detail infusion,SDI)机制,加入Ghost卷积和超轻量化上采样算子,构建GhostSDID模块进行不同尺度的特征融合;在预测部分融合LSKblock块,构建特征提取模块GELANLSK动态地调整感受野;在检测部分构建双重注意力机制模块,增强特征表达能力。实验结果表明,所提算法与YOLOv9算法相比,在参数量减少32.3%、运算量降低42%的基础上,平均精度均值(mean average precision,MAP)分别提升2%和2.1%,适用于不同场景下的火焰检测。
文摘及时发现野外火灾对于保障人民生命财产安全具有重要意义。虽然深度学习模型常用于火焰检测,但在识别小目标时效果不佳。文章提出一种基于YOLOv8(You Only Look Once v8)的检测方法。该方法采用HGNet V2作为主干网络,通过优化的网络结构,增强特征提取能力,然后,改进特征融合网络,通过加入跨层跳跃连接,提高特征融合效果。实验显示,该方法在降低计算复杂度和参数量的同时,提高了检测精度。
