在辅助网络的设计中,使用两个连续的3x3卷积获得5x5感受野以提取全局特征,并使用通道注意力和空间注意力来提取更有效的信息。 最后,它将辅助网络和Backbone网络合并,以构建改进的YOLOv4-tiny的整个网络结构。实验结果表明,该方法具有比YOLOv4-tiny和YOLOv3-tiny更快的目标检测速度,并且其平均精度的平均值与YOLOv4-tiny...
YOLOv4-Tiny作为一种轻量级的实时目标检测算法,在口罩佩戴检测中具有重要意义。然而,原始的YOLOv4-Tiny算法仍存在一些不足,如检测精度和速度的权衡、对复杂场景的适应性等问题。因此,对YOLOv4-Tiny算法进行改进,提高其在口罩佩戴检测中的性能,成为了一个亟待解决的问题。二、YOLOv4-Tiny算法基本原理及现有问题YOLOv4-...
而在前面的章节中经过改进后的 YOLOv4 算法没有进行网络结构上的调整,所以模型在推理速度上没有达到极致。目前改进的 YOLOv4算法处理一张出租车司机违规行为检测图像的速度为 22.2ms,也就是速度达到了每秒45 帧,但是在一个城市中可能同时运营着成千上万辆出租车,要想对每一辆出租车都能及时检测司机的行为状态,...
文章编号:2096 -3874(2022)02 -0064 -08基于改进 YOLOv4 - tiny 的口罩佩戴实时检测算法曹小喜,程凡永,王飞州(安徽工程大学 检测技术与节能装置安徽省重点实验室,安徽 芜湖 241000)摘要:疫情防控的新形势下,佩戴口罩依然是阻断病毒传播的主要措施。为了对民众的口罩佩戴情况进行有效监测,在 YOLOv4 - tiny 的基础...
实时识别番茄的成熟度是番茄自主采摘车的关键功能。现有目标识别算法速度慢、对遮挡番茄和小番茄识别准确率低。因此,该研究提出一种基于改进YOLOv4-tiny模型的番茄成熟度识别方法。在头部网络(Head network)部分增加一个76×76的检测头(y3)来提高小...
1.一种基于改进YOLOv4‑tiny的多尺度目标检测方法,其特征在于,包括: 步骤1:输入图片,利用主干特征提取网络CSPDarknet53‑tiny提取图片的特征图,所述 主干特征提取网络CSPDarknet53‑tiny依次包括两个卷积模块、三个残差块和一个卷积模 块; 步骤2:将主干特征提取网络的最后一个卷积模块处理后的特征图输入至快速...
为了实现棚内草莓果实的快速精准识别,该研究提出一种基于改进YOLOv4-Tiny的草莓检测模型。首先,为了大幅度减少模型计算量,采用轻量型网络GhostNet作为特征提取网络,并在GhostBottleneck结构中嵌入卷积注意力模块以加强网络的特征提取能力;其次,...
本发明提供一种基于改进YOLOv4‑tiny的布匹缺陷检测模型及方法。该检测模型在YOLOv4‑tiny主干网络中的残差块加入密集连接卷积块CSPDenseBlock,并在主干网络最后加入spp模块,形成新的特征提取网络;新的所述特征提取网络输出两种不同尺度的特征图;两种不同尺度的特征图分别通过各自对应的卷积块处理后进入各自的YOLO层对...
一种基于改进的Tiny‑YOLO v4自然环境下舌像检测定位方法,包括:收集舌像数据,并制作舌像数据集;构建改进Tiny‑YOLO v4网络结构,实施与结构相匹配的Tiny‑YOLO v4目标检测方法;对与结构相匹配的Tiny‑YOLO v4目标检测方法进行训练,将训练后最佳的权重文件加载
摘要 为了解决既要提高棉花顶点识别效率,又要简化复杂模型以便在边缘计算设备上部署的问题,本研究提出了一种基于Tiny-YOLOv4的改进方法。对Tiny-YOLOv4的backbone网络进行了结构优化,通过用更高效的Bott...展开更多 In order to solve the problem of both improving the efficiency of cotton vertex recognition and ...