CN113837087A - 一种基于YOLOv3的动物目标检测系统和方法 - Google Patents
一种基于YOLOv3的动物目标检测系统和方法 Download PDFInfo
- Publication number
- CN113837087A CN113837087A CN202111121113.3A CN202111121113A CN113837087A CN 113837087 A CN113837087 A CN 113837087A CN 202111121113 A CN202111121113 A CN 202111121113A CN 113837087 A CN113837087 A CN 113837087A
- Authority
- CN
- China
- Prior art keywords
- animal
- target detection
- yolov3
- network
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLOv3的动物目标检测系统,涉及计算机视觉技术领域,包括摄像头模块、背景建模模块、YOLOv3主干模块和目标检测模块,并且通信连接。本发明还公开了一种基于YOLOv3的动物目标检测方法,包括S100、动物标注;S200、背景建模;S300、特征提取训练;S400、目标检测;S500、训练完成;S600、健康状况分析。本发明提供了一种动态的注意力目标检测方法,利用背景建模技术,通过残差注意力机制,再通过YOLOv3的深度学习网络对目标进行检测,实现了对畜牧业中动物的动态监测。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于YOLOv3的动物目标检测系统和方法。
背景技术
肉类是人类生活中必不可少的食物来源,畜牧业就是通过人类对动物的饲养使其得到更好的繁殖,肉质更加健康。在养殖过程中,动物的行为有着丰富的信息,有经验的农场主、兽医以及科研人员通过对动物的行为分析就可以知道动物的健康状况等信息。而随着科技的进步和社会的发展,农场也逐渐走向自动化,通过照相机和各种传感器收集实时信息进行监测,能够更快发现问题,对农场主进行预警,也大大节省了人们的劳动力。
目标检测一直是计算机视觉的经典研究内容,已经得到了广泛的研究。利用目标检测算法不仅可以得到目标的位置信息,根据视频流还可以对目标的运动信息进行跟踪。但是在很多视频数据中,存在一些一直不动的背景信息。对于网络训练来说这些都是冗余信息,有些还会对目标的识别造成影响。如果将这些冗余的背景信息忽略掉,把注意力集中在需要检测的区域,就能够使得目标检测的精度再次得到提升。人类就是利用自身有限的注意力从大量信息中忽略掉不重要的背景信息,从而筛选出这些高价值的信息。考虑到这个问题,现在的目标检测算法中经常会使用一个固定形状的蒙版,根据场景需要将注意力固定在需要检测的特定区域。蒙板的形状是不变的,但是在一些场景中,特定区域会经常发生变化。所以考虑设计一个动态的注意力目标检测算法,应用于运动的物体之中,从而提高运动物体的检测精度,同时保持较高的检测速度。
因此,本领域的技术人员致力于开发一种基于YOLOv3的动物目标检测系统和方法。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种动态的注意力目标检测方法,利用背景建模技术,通过残差注意力机制,再通过YOLOv3的深度学习网络对目标进行检测,实现对畜牧业中动物的动态监测。
发明人首先利用背景建模技术,根据视频的前后帧信息差,将注意力集中在运动的物体上;然后通过残差注意力机制,将背景建模后的特征图与原图特征图融合;再通过YOLOv3的深度学习网络对目标进行检测,实现对畜牧业中动物的动态监测。YOLOv3就是一种典型的单阶段目标检测算法。YOLO(You Only Look Once),是Joseph Redmon和AliFarhadi等人于2015年提出的基于单个神经网络的目标检测系统。YOLOv3借鉴一些好的方案融合到YOLO里面,在保持速度优势的前提下,提升了预测精度,尤其是加强了对小物体的识别能力。
本发明的一个实施例中,提供了一种基于YOLOv3的动物目标检测系统,包括:
摄像头模块,获取动物监控视频序列;
背景建模模块,响应于动物监控视频序列,把背景与前景分离开,得到动态前景掩码,获得将注意力集中在运动物体上的视频序列,按帧将其拆分成前景响应图;
YOLOv3主干模块,将摄像头模块获取的动物监控视频序列按帧拆分成原始图片,对原始图片进行特征提取,对前景响应图进行特征融合,经过训练得到含有注意力信息的特征信息;
目标检测模块:对含有注意力信息的特征信息进行目标检测;
摄像模块、背景建模模块、YOLOv3主干模块和目标检测模块通信连接。
可选地,在上述实施例中的基于YOLOv3的动物目标检测系统中,前景响应图为单通道灰度图。
可选地,在上述任一实施例中的基于YOLOv3的动物目标检测系统中,YOLOv3主干模块使用Darknet-53网络进行特征提取。
进一步地地,在上述实施例中的基于YOLOv3的动物目标检测系统中,Darknet-53网络包括多层卷积层和残差块。
可选地,在上述任一实施例中的基于YOLOv3的动物目标检测系统中,YOLOv3主干模块使用残差注意力的方式进行特征融合。
进一步地,在上述实施例中的基于YOLOv3的动物目标检测系统中,特征融合采用
X=(1+μmask)X
其中,mask为背景建模后的前景响应图提取的特征信息,X为原图提取的特征信息,X为特征融合后的特征信息,μ为为0-1的特征融合权重值。
基于上述任一实施例,本发明的另一个实施例中,提供了一种基于YOLOv3的动物目标检测方法,包括如下步骤:
S100、动物标注,通过摄像头模块获取动物监控视频序列,并对其中的动物利用标注框进行标注,把动物监控视频序列分类为训练集,验证集和测试集;
S200、背景建模,背景建模模块对训练集进行背景建模,得到前景响应图;
S300、特征提取训练,将动物监控视频序列视频帧送入YOLOv3主干模块进行特征提取训练,并且在Darknet-53网络与前景响应图进行特征融合,得到含有注意力信息的融合特征信息后,继续参与Darknet-53网络的剩余网络层的特征提取;
S400、目标检测,响应于含有注意力信息的特征信息,目标检测模块得到目标检测框的位置信息,并用验证集和测试集对训练好的网络模型进行测试;
S500、训练完成,使用训练好的网络模型对物体进行检测和分类,得到动物的位置信息。
S600、健康状况分析,根据动物的位置信息与食物和水槽的距离,分析动物的饮食信息,反映动物的健康状况。
可选地,在上述实施例中的基于YOLOv3的动物目标检测方法中,步骤S200具体包括:
S210、将动物监控视频序列按帧划分为图片;
S220、对动物监控视频序列前后两帧做差;
S230、根据阈值将运动物体和背景信息分离开;
S240、输出建模后的视频帧,即前景响应图。
可选地,在上述任一实施例中的基于YOLOv3的动物目标检测方法中,步骤S300特征提取训练使用Darknet-53网络。
进一步地,在上述实施例中的基于YOLOv3的动物目标检测方法中,Darknet-53网络包括多层卷积层和残差块。
进一步地,在上述实施例中的基于YOLOv3的动物目标检测方法中,S300具体包括:
S310、预训练,利用现有的公开数据集ImageNet、VOC2007、VOC2012、MS COCO对YOLOv3主干模块进行预训练;
S320、数据预处理,将原始图片和前景响应图处理成适应YOLOv3主干模块输入要求的图片;
S330、特征提取,利用Darknet-53网络中的前几层卷积层和残差块对动物监控视频序列进行特征提取;
S340、图片尺寸调整,由于Darknet-53的不同的层级之间都会经过一次或多次卷积,使得经过特征提取后的动物监控视频序列划分的图片尺寸发生了改变,已经与前景响应图尺寸不一致,将前景响应图进行重新调整,与特征提取后的原始图片尺寸进行统一;
S350、特征融合,对原始图片和调整尺寸后的前景响应图进行残差注意力融合;
S360、继续特征提取,在Darknet-53网络中进行特征融合,然后继续在Darknet-53网络的后续网络层进行特征提取。
进一步地,在上述实施例中的基于YOLOv3的动物目标检测方法中,S350特征融合采用:
X=(1+μmask)X
其中,mask为背景建模后图片提取的特征信息,X为原图提取的特征信息,X为特征融合后的特征信息,μ为0-1的特征融合权重值。
进一步地,在上述实施例中的基于YOLOv3的动物目标检测方法中,S350中的残差注意力融合可以在Darknet-53网络的任意一层之前进行,也可以选择在多个层之前均进行一次融合。
可选地,在上述任一实施例中的基于YOLOv3的动物目标检测方法中,S360中的特征融合可以在网络中的任意一层进行,仅融合一次,然后继续在Darknet-53网络后面层进行特征提取;也可以在多层之前都融合,融合多次,在网络特征提取后,再次进行特征融合。
本发明通过背景建模和注意力融合,使训练时增加了对检测目标的关注,提高了运动物体的检出率。得到的注意力模型是动态的,提高了算法在不同特定区域模型中的适应性。同时,本发明的注意力模型更加集中,不是简单的一个大的蒙版模型,而是根据运动物体的形状而定,对于检测不规则的牧场动物的运动更加有利。由于主干网络为YOLOv3,精度和速度都有所保障,而注意力机制的加入可以使目标检测的精度更进一步提升。本发明提升了动物目标检测的精度,给健康状况的分析提供了准确的数据。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是图示根据示例性实施例的基于YOLOv3的动物目标检测系统结构图;
图2是图示根据示例性实施例的基于YOLOv3的动物目标检测方法流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方示意性地适当夸大了部件的厚度。
发明人设计了一种基于YOLOv3的动物目标检测系统,如图1所示,包括:
摄像头模块,获取动物监控视频序列;
背景建模模块,响应于动物监控视频序列,把背景与前景分离开,得到动态前景掩码,获得将注意力集中在运动物体上的视频序列,按帧将其拆分成前景响应图,前景响应图为单通道灰度图;
YOLOv3主干模块,将摄像头模块获取的动物监控视频序列按帧拆分成原始图片,使用Darknet-53网络对原始图片进行特征提取,对前景响应图使用残差注意力的方式进行特征融合,经过训练得到含有注意力信息的特征信息,其中Darknet-53网络包括多层卷积层和残差块;具体地,特征融合采用
X=(1+μmask)X
其中,mask为背景建模后的前景响应图提取的特征信息,X为原图提取的特征信息,X为特征融合后的特征信息,μ为为0-1的特征融合权重值;
目标检测模块:对含有注意力信息的特征信息进行目标检测。
摄像模块、背景建模模块、YOLOv3主干模块和目标检测模块通信连接。
基于上述实施例,发明人提供了一种基于YOLOv3的动物目标检测方法,如图2所示,包括如下步骤:
S100、动物标注,通过摄像头模块获取动物监控视频序列,并对其中的动物利用标注框进行标注,把动物监控视频序列分类为训练集,验证集和测试集;
S200、背景建模,背景建模模块对训练集进行背景建模,得到前景响应图;具体包括:
S210、将动物监控视频序列按帧划分为图片;
S220、对动物监控视频序列前后两帧做差;
S230、根据阈值将运动物体和背景信息分离开;
S240、输出建模后的视频帧,即前景响应图;
S300、特征提取训练,将动物监控视频序列视频帧送入YOLOv3主干模块使用Darknet-53网络进行特征提取训练,并且在Darknet-53网络与前景响应图进行特征融合,得到含有注意力信息的融合特征信息后,继续参与Darknet-53网络的剩余网络层的特征提取;其中Darknet-53网络包括多层卷积层和残差块;
具体包括:
S310、预训练,利用现有的公开数据集ImageNet、VOC2007、VOC2012、MS COCO对YOLOv3主干模块进行预训练;
S320、数据预处理,将原始图片和前景响应图处理成适应YOLOv3主干模块输入要求的图片;
S330、特征提取,利用Darknet-53网络中的前几层卷积层和残差块对动物监控视频序列进行特征提取;
S340、图片尺寸调整,由于Darknet-53的不同的层级之间都会经过一次或多次卷积,使得经过特征提取后的动物监控视频序列划分的图片尺寸发生了改变,已经与前景响应图尺寸不一致,将前景响应图进行重新调整,与特征提取后的原始图片尺寸进行统一;
S350、特征融合,对原始图片和调整尺寸后的前景响应图进行残差注意力融合,残差注意力融合可以在Darknet-53网络的任意一层之前进行,也可以选择在多个层之前均进行一次融合,
具体采用:
X=(1+μmask)X
其中,mask为背景建模后图片提取的特征信息,X为原图提取的特征信息,X为特征融合后的特征信息,μ为0-1的特征融合权重值;
S360、继续特征提取,在Darknet-53网络中进行特征融合,然后继续在Darknet-53的后续网络层进行特征提取;特征融合可以在网络中的任意一层进行,仅融合一次,然后继续在Darknet-53网络后面层进行特征提取;也可以在多层之前都融合,融合多次,在网络特征提取后,再次进行特征融合;
S400、目标检测,响应于含有注意力信息的特征信息,目标检测模块得到目标检测框的位置信息,并用验证集和测试集对训练好的网络模型进行测试;
S500、训练完成,使用训练好的模型对物体进行检测和分类,得到动物的位置信息。
S600、健康状况分析,根据动物的位置信息与食物和水槽的距离,分析动物的饮食信息,反映动物的健康状况。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于YOLOv3的动物目标检测系统,其特征在于,包括:
摄像头模块,获取动物监控视频序列;
背景建模模块,响应于所述动物监控视频序列,把背景与前景分离开,得到动态的前景掩码,获得将注意力集中在运动物体上的视频序列,按帧将其拆分成前景响应图;
YOLOv3主干模块,将所述动物监控视频序列按帧拆分成原始图片,对所述原始图片进行特征提取,对所述前景响应图进行特征融合,经过训练得到含有注意力信息的特征信息;
目标检测模块:对所述含有注意力信息的特征信息进行目标检测;
所述摄像模块、所述背景建模模块、所述YOLOv3主干模块和所述目标检测模块通信连接。
2.如权利要求1所述的基于YOLOv3的动物目标检测系统,其特征在于,所述前景响应图为单通道灰度图。
3.如权利要求1所述的基于YOLOv3的动物目标检测系统,其特征在于,所述YOLOv3主干模块使用Darknet-53网络进行特征提取。
4.如权利要求3所述的基于YOLOv3的动物目标检测系统,其特征在于,所述Darknet-53网络包括多层卷积层和残差块。
5.如权利要求1所述的基于YOLOv3的动物目标检测系统,其特征在于,所述YOLOv3主干模块使用残差注意力的方式进行特征融合。
6.如权利要求1所述的基于YOLOv3的动物目标检测系统,其特征在于,所述特征融合采用X=(1+μmask)X。
7.一种使用如权利要求1-6任一所述的基于YOLOv3的动物目标检测系统的动物目标检测方法,其特征在于,包括如下步骤:
S100、动物标注,通过所述摄像头模块获取所述动物监控视频序列,并对其中的动物利用标注框进行标注,把所述动物监控视频序列分类为训练集,验证集和测试集;
S200、背景建模,所述背景建模模块对训练集进行背景建模,得到所述前景响应图;
S300、特征提取训练,将所述动物监控视频序列视频帧送入所述YOLOv3主干模块进行特征提取训练,并且所述Darknet-53网络与所述前景响应图进行特征融合,得到所述含有注意力信息的融合特征信息后,继续参与所述Darknet-53网络的剩余网络层的特征提取;
S400、目标检测,响应于所述含有注意力信息的特征信息,所述目标检测模块得到目标检测框的位置信息,并用所述验证集和所述测试集对训练好的网络模型进行测试;
S500、训练完成,使用所述训练好的网络模型对物体进行检测和分类,得到动物的位置信息;
S600、健康状况分析,根据所述动物的位置信息与食物和水槽的距离,分析动物的饮食信息,反映动物的健康状况。
8.如权利要求7所述的动物目标检测方法,其特征在于,所述步骤S200包括:
S210、将所述动物监控视频序列按帧划分为图片;
S220、对所述动物监控视频序列前后两帧做差;
S230、根据阈值将运动物体和背景信息分离开;
S240、输出建模后的视频帧,即所述前景响应图。
9.如权利要求7或8的动物目标检测方法,其特征在于,所述步骤S300包括:
S310、预训练,利用现有的公开数据集ImageNet、VOC2007、VOC2012、MS COCO对所述YOLOv3主干模块进行预训练;
S320、数据预处理,将所述原始图片和所述前景响应图处理成适应所述YOLOv3主干模块输入要求的图片;
S330、特征提取,利用所述Darknet-53网络中的前几层卷积层和残差块对动物监控视频序列进行特征提取;
S340、图片尺寸调整,将所述前景响应图进行重新调整,与特征提取后的原始图片尺寸进行统一;
S350、特征融合,对所述原始图片和调整尺寸后的前景响应图进行残差注意力融合;
S360、继续特征提取,在所述Darknet-53网络中进行特征融合,然后继续在所述Darknet-53网络的后续网络层进行特征提取。
10.如权利要求9的动物目标检测方法,其特征在于,所述步骤S360中的特征融合可以在网络中的任意一层进行,仅融合一次,然后继续在所述Darknet-53网络后面层进行特征提取;也可以在多层之前都融合,融合多次,在网络特征提取后,再次进行特征融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121113.3A CN113837087B (zh) | 2021-09-24 | 2021-09-24 | 一种基于YOLOv3的动物目标检测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121113.3A CN113837087B (zh) | 2021-09-24 | 2021-09-24 | 一种基于YOLOv3的动物目标检测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837087A true CN113837087A (zh) | 2021-12-24 |
CN113837087B CN113837087B (zh) | 2023-08-29 |
Family
ID=78969789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111121113.3A Active CN113837087B (zh) | 2021-09-24 | 2021-09-24 | 一种基于YOLOv3的动物目标检测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837087B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934844A (zh) * | 2019-01-28 | 2019-06-25 | 中国人民解放军战略支援部队信息工程大学 | 一种融合地理空间信息的多目标跟踪方法及系统 |
US20200019765A1 (en) * | 2018-07-10 | 2020-01-16 | University Of Florida Research Foundation, Inc. | Automated systems and methods for monitoring and mapping insects in orchards |
CN110991362A (zh) * | 2019-12-06 | 2020-04-10 | 西安电子科技大学 | 一种基于注意力机制的行人检测模型 |
CN111079584A (zh) * | 2019-12-03 | 2020-04-28 | 东华大学 | 基于改进YOLOv3的快速车辆检测方法 |
CN111160125A (zh) * | 2019-12-11 | 2020-05-15 | 北京交通大学 | 基于铁路监控的铁路异物入侵检测方法 |
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
CN111680614A (zh) * | 2020-06-03 | 2020-09-18 | 安徽大学 | 一种基于视频监控中的异常行为检测方法 |
CN111723654A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
CN112232214A (zh) * | 2020-10-16 | 2021-01-15 | 天津大学 | 一种基于深度特征融合和注意力机制的实时目标检测方法 |
CN112446350A (zh) * | 2020-12-09 | 2021-03-05 | 武汉工程大学 | 一种改进YOLOv3复杂棉田背景下棉花检测方法 |
CN112668662A (zh) * | 2020-12-31 | 2021-04-16 | 北京理工大学 | 基于改进YOLOv3网络的野外山林环境目标检测方法 |
CN112800906A (zh) * | 2021-01-19 | 2021-05-14 | 吉林大学 | 一种基于改进YOLOv3的自动驾驶汽车跨域目标检测方法 |
-
2021
- 2021-09-24 CN CN202111121113.3A patent/CN113837087B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200019765A1 (en) * | 2018-07-10 | 2020-01-16 | University Of Florida Research Foundation, Inc. | Automated systems and methods for monitoring and mapping insects in orchards |
CN109934844A (zh) * | 2019-01-28 | 2019-06-25 | 中国人民解放军战略支援部队信息工程大学 | 一种融合地理空间信息的多目标跟踪方法及系统 |
CN111079584A (zh) * | 2019-12-03 | 2020-04-28 | 东华大学 | 基于改进YOLOv3的快速车辆检测方法 |
CN110991362A (zh) * | 2019-12-06 | 2020-04-10 | 西安电子科技大学 | 一种基于注意力机制的行人检测模型 |
CN111160125A (zh) * | 2019-12-11 | 2020-05-15 | 北京交通大学 | 基于铁路监控的铁路异物入侵检测方法 |
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
CN111723654A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
CN111680614A (zh) * | 2020-06-03 | 2020-09-18 | 安徽大学 | 一种基于视频监控中的异常行为检测方法 |
CN112232214A (zh) * | 2020-10-16 | 2021-01-15 | 天津大学 | 一种基于深度特征融合和注意力机制的实时目标检测方法 |
CN112446350A (zh) * | 2020-12-09 | 2021-03-05 | 武汉工程大学 | 一种改进YOLOv3复杂棉田背景下棉花检测方法 |
CN112668662A (zh) * | 2020-12-31 | 2021-04-16 | 北京理工大学 | 基于改进YOLOv3网络的野外山林环境目标检测方法 |
CN112800906A (zh) * | 2021-01-19 | 2021-05-14 | 吉林大学 | 一种基于改进YOLOv3的自动驾驶汽车跨域目标检测方法 |
Non-Patent Citations (6)
Title |
---|
SHENG HE ET AL.: "Scheduling of Multi-variety and Small-Batch Motor Manufacturing Based on Simulated Annealing Adaptive Genetic Algorithms", ICCAR * |
WANG HONGWU ET AL.: "Prediction of Hot Metal Silicon Content in Blast Furnace based on EMD and DNN", CHICCO * |
崔艳鹏;王元皓;胡建伟;: "一种改进YOLOv3的动态小目标检测方法", 西安电子科技大学学报, no. 03 * |
李庆忠;李宜兵;牛炯;: "基于改进YOLO和迁移学习的水下鱼类目标实时检测", 模式识别与人工智能, no. 03 * |
田青;齐自强;高国飞;刘婧怡;: "基于改进的YOLO与GMM相结合的地铁行人检测算法", 工业控制计算机, no. 04 * |
赵斌;王春平;付强;陈一超;: "基于深度注意力机制的多尺度红外行人检测", 光学学报, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837087B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10089556B1 (en) | Self-attention deep neural network for action recognition in surveillance videos | |
US10635936B2 (en) | Method and system for training a neural network to classify objects or events | |
CN114220035A (zh) | 一种基于改进yolo v4的快速害虫检测方法 | |
CN112132156A (zh) | 多深度特征融合的图像显著性目标检测方法及系统 | |
CN110781836A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN112734731A (zh) | 一种牲畜温度检测方法、装置、设备和存储介质 | |
CN114049512A (zh) | 模型蒸馏方法、目标检测方法、装置及电子设备 | |
CN113435355A (zh) | 多目标奶牛身份识别方法及系统 | |
Noe et al. | Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model | |
CN113516146A (zh) | 一种数据分类方法、计算机及可读存储介质 | |
CN116129291A (zh) | 一种面向无人机畜牧的图像目标识别方法及其装置 | |
CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN114743224B (zh) | 一种基于计算机视觉的畜牧业家畜体温监控方法与系统 | |
CN113837087B (zh) | 一种基于YOLOv3的动物目标检测系统和方法 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
Skladchykov et al. | Application of YOLOX deep learning model for automated object detection on thermograms | |
JPWO2020003764A1 (ja) | 画像処理装置、移動装置、および方法、並びにプログラム | |
CN113255549B (zh) | 一种狼群围猎行为状态智能识别方法及系统 | |
CN112734730B (zh) | 一种牲畜数量识别方法、装置、设备和存储介质 | |
CN115375991A (zh) | 一种强/弱光照和雾环境自适应目标检测方法 | |
CN111563465B (zh) | 一种动物行为学自动分析系统 | |
Bai et al. | X3DFast model for classifying dairy cow behaviors based on a two-pathway architecture | |
Obu et al. | Crop Disease Detection using Yolo V5 on Raspberry Pi | |
TWI614698B (zh) | 四足動物發情偵測方法 | |
CN117274843B (zh) | 基于轻量级边缘计算的无人机前端缺陷识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |