CN114548269A - 基于Focal-EIOU的YOLOv4目标检测方法 - Google Patents

基于Focal-EIOU的YOLOv4目标检测方法 Download PDF

Info

Publication number
CN114548269A
CN114548269A CN202210160471.3A CN202210160471A CN114548269A CN 114548269 A CN114548269 A CN 114548269A CN 202210160471 A CN202210160471 A CN 202210160471A CN 114548269 A CN114548269 A CN 114548269A
Authority
CN
China
Prior art keywords
eiou
focal
training
steps
learning rate
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.)
Pending
Application number
CN202210160471.3A
Other languages
English (en)
Inventor
焦良葆
陈颖
曹雪虹
孟琳
张嘉超
朱红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202210160471.3A priority Critical patent/CN114548269A/zh
Publication of CN114548269A publication Critical patent/CN114548269A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Focal‑EIOU的YOLOv4目标检测算法包括如下步骤：本发明训练过程采用了平滑标签以及余弦退火算法优化学习率，并基于CIOU的预测框损失函数存在的问题，采用Focal‑EIOU损失函数代替CIOU进行网络训练，能够加速收敛，使目标定位效果更好。利用迁移学习的思想，将训练分为两个阶段，分别是冻结阶段和解冻阶段，这一的训练方式有利于加快训练速度，也可以在训练初期防止权值被破坏。

Description

基于Focal-EIOU的YOLOv4目标检测方法
技术领域
本发明涉及人工智能图像识别技术领域，具体而言涉及一种基于Focal-EIOU的YOLOv4目标检测方法。
背景技术
YOLO算法作为当前主流的目标检测算法，从YOLOv1衍生到现在的YOLOv5，其中检测效果最好的则是YOLOv4，而YOLOv4目标检测算法中的边界框损失函数CIOU存在的问题影响了收敛速度，公式中的υ只反映了纵横比的差异，而不是宽高分别与其置信度的真实差异，所以有时会阻碍模型有效的优化相似性；且无法解决存在的样本质量不平问题。
专利号为CN113609926A的发明中提及一种基于泛化IOU的改进损失函数的I-YOLOv4算法，将IoU作为训练指标泛化到损失函数之中，提出了一种基于泛化IOU的改进损失函数的I-YOLOv4算法，但该发明主要研究密集区域内遮挡目标检测问题，不涉及收敛速度和样本质量不平的技术问题。
发明内容
本发明针对现有技术中的不足，提供一种基于Focal-EIOU的YOLOv4目标检测方法，能够提高收敛速度，使目标检测定位效果更好。
为实现上述目的，本发明采用以下技术方案：
一种基于Focal-EIOU的YOLOv4目标检测方法，所述目标检测方法包括以下步骤：
S1，对样本标签进行平滑处理；
S2，根据余弦退火算法优化学习率；
S3，基于YOLOv4网络构建目标检测模型，采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数；
S4，利用迁移学习思想，将训练分为两个阶段，分别是冻结阶段和解冻阶段，进行网络训练；
在网络训练时，采用的余弦退火学习率先模拟余弦函数快速下降，使目标检测模型迅速踏入局部最优点，保存局部最优点的模型；其次开启热重启，使学习率线性上升至一个较大值，以逃离当前的局部最优点，并寻找新的最优点；周期性重复上述过程以加速收敛。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S1中，对样本标签进行平滑处理的过程包括以下步骤：
S11，对于二分类样本，设训练样本为(xi,yi)，其中yi为样本标签；当采用交叉熵来描述损失函数时，对于每一个样本i，损失函数为：
Figure BDA0003513842390000011
S12，经过标签随机化之后，新标签有λ的概率与原标签不同，有1-λ的概率与原标签相同；采用随机化新标签的损失函数有1-λ的概率与损失函数Li相同，有λ的概率为：
Figure BDA0003513842390000021
S13，将公式进行加权平均后得到新公式：
Figure BDA0003513842390000022
y′i＝-λ(1-yi)-(1-λ)yi；
S14，当输入标签为0时，用近似数λ进行替换；当输入标签为1时，用近似数1-λ进行替换：
Figure BDA0003513842390000023
进一步地，步骤S2中，根据平滑处理后的样本标签，优化得到余弦退火学习率的过程包括以下步骤：
S21，设训练epoch为Ep、训练批次为Bs、预热期为w_epoch、预先设置学习率为ηbase、最大学习率为ηmax、最小学习率为ηmin、训练样本数为Sc；
S22，根据下述公式，求出初始化总步长Stepstotal以及预热步长Stepswarmup：
Stepstotal＝(Ep×Sc)/Bs
Stepswarmup＝(w×Sc)/Bs；
S23，在每次重启之后更新当前执行的步数Stepglobal，并记录当前学习率，并进行更新学习率：
如果Stepsglobal<Stepswarmup，根据如下公式计算线性增长的学习率ηwarmup：
Figure BDA0003513842390000024
如果Stepsglobal≥Stepswarmup，根据如下公式计算线性增长的学习率ηwarmup：
Figure BDA0003513842390000025
S24，计算余弦退火的学习率：
ηt＝min(ηt,ηmin)。
进一步地，步骤S3中，采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数的过程包括以下步骤：
S31，采用focal loss重新衡量EIOU损失以得到Focal-EIOU：
LFocal-EIOU＝IOUγLEIOU
其中IOU和γ是控制异常点抑制程度的参数，IOU＝|a∩b|/|a∪b|，a与b分别为真实框和预测框的面积；γ值越大，对硬实例的抑制作用越强，收敛速度越慢；LEIOU是EIOU的损失函数公式，直接对w和h的预测结果进行惩罚；
S32，采用每批加权之和来规范损失，则Focal-EIOU计算公式为：
Figure BDA0003513842390000031
其中n是每一批中的锚-目标对的数量；
Figure BDA0003513842390000032
和Wi是锚定目标对i的损失和相应的权重。
进一步地，步骤S4中，利用迁移学习思想，将训练分为两个阶段，分别是冻结阶段和解冻阶段，进行网络训练的过程包括以下步骤：
在前50个epoch冻结主干网络，对不冻结的网络层进行微调，参与反向传播中的梯度更新，学习具有通用性的浅层特征；在后50个epoch放开冻结层，对全部层利用反向传播算法进行训练，学习具有更针对性以及更高级的抽象特征，得到最终合适的参数矩阵和偏置向量。
本发明的有益效果是：
本发明公开了一种基于Focal-EIOU的YOLOv4目标检测方法，采用Focal-EIOU损失函数代替CIOU进行网络训练，能够加速收敛，使目标定位效果更好；同时，利用迁移学习的思想，将训练分为两个阶段，分别是冻结阶段和解冻阶段，有利于加快训练速度，也可以在训练初期防止权值被破坏。
附图说明
图1为本发明实施例的学习率变化曲线示意图。
图2为本发明实施例的FocalL1 loss的的曲线和梯度曲线示意图。
图3为本发明实施例的基于CIOU的训练损失函数曲线示意图。
图4为本发明实施例的基于Focal-EIOU的训练损失函数曲线示意图。
图5为本发明实施例的检测效果对比图。
图6为本发明的基于Focal-EIOU的YOLOv4目标检测方法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
图6为本发明的基于Focal-EIOU的YOLOv4目标检测方法流程图。参见图6，该目标检测方法包括以下步骤：
S1，对样本标签进行平滑处理。
S2，根据余弦退火算法优化学习率。
S3，基于YOLOv4网络构建目标检测模型，采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数。
S4，利用迁移学习思想，将训练分为两个阶段，分别是冻结阶段和解冻阶段，进行网络训练。
在网络训练时，采用的余弦退火学习率先模拟余弦函数快速下降，使目标检测模型迅速踏入局部最优点，保存局部最优点的模型；其次开启热重启，使学习率线性上升至一个较大值，以逃离当前的局部最优点，并寻找新的最优点；周期性重复上述过程以加速收敛。
下面结合附图对本实施例的目标检测方法的改进例做详细的阐述。
(一)使用平滑标签以及余弦退火优化学习率
标签平滑采用如下思路解决这个问题：在训练时即假设标签可能存在错误，避免过度相信训练样本的标签。以二分类样本为例，训练样本为(xi,yi)，其中yi为样本标签。当采用交叉熵来描述损失函数时，对于每一个样本i，损失函数为：
Figure BDA0003513842390000041
经过标签随机化之后，新标签有λ的概率与原标签不同，有1-λ的概率与原标签相同。采用随机化新标签的损失函数有1-λ的概率与损失函数Li相同，有λ的概率为：
Figure BDA0003513842390000042
将公式进行加权平均后可以得到新公式：
Figure BDA0003513842390000043
y′i＝-λ(1-yi)-(1-λ)yi；
当输入标签为0时，用一个比较小的近似数λ进行替换；当输入标签为1时，用近似数1-λ进行替换：
Figure BDA0003513842390000044
由前述公式可知，在交叉熵模型中，因为模型会不断增加权值w，使得预测输出尽可能逼近0或1而不能达到。如果将标签0和1分别替换为λ和1-λ，当模型的输出达到这个值之后就不会继续优化，从而达到标签平滑的效果。
YOLOv4采用的余弦退火学习率随着epoch的增加，学习率先模拟余弦函数快速下降，再线性上升，不断重复该过程。余弦退火的学习率急速下降，所以模型会迅速踏入局部最优点，并保存局部最优点的模型，然后开启热重启(Warm restart)，学习率重新恢复到一个较大值，逃离当前的局部最优点，并寻找新的最优点，周期性重复上述过程。
余弦退火学习率的计算步骤如下：
(1)设置参数：训练epoch为Ep、训练批次为Bs、预热期为w_epoch、预先设置学习率为ηbase、最大学习率为ηmax、最小学习率为ηmin、训练样本数为Sc。
(2)求出初始化总步长Stepstotal以及预热步长Stepswarmup：
Stepstotal＝(Ep×Sc)/Bs；
Stepswarmup＝(w×Sc)/Bs。
(3)重复：在每次重启之后更新当前执行的步数Stepglobal，并记录当前学习率，并进行更新学习率。
如果Stepsglobal<Stepswarmup，根据下述公式计算线性增长的学习率ηwarmup：
Figure BDA0003513842390000051
如果Stepsglobal≥Stepswarmup，根据下述公式计算线性增长的学习率ηwarmup：
Figure BDA0003513842390000052
计算余弦退火的学习率：
ηt＝min(ηt,ηmin)；
当设置学习率的最小值为10-5，且每10个epoch变化一次。如果总epoch为50时，学习率的变化曲线如图1所示。
(二)采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数
CIOU的计算公式为：
Figure BDA0003513842390000053
由于公式中的υ只反映了纵横比的差异，而不是宽高分别与其置信度的真实差异，所以有时会阻碍模型有效的优化相似性；且CIOU无法解决存在的样本质量不平问题。因此，针对以上问题，采用Focal-EIOU替换原CIOU边界框损失函数。
EIOU提出直接对w和h的预测结果进行惩罚的损失函数，其公式为：
Figure BDA0003513842390000054
其中Cω和Ch是两个矩形闭包的宽度和高度，b为预测框的中心点，bgt为真实框的中心点，w、h分别为预测框的宽和高，wgt，hgt分别为真实框的宽与高。
EIOU将损失函数分为三部分：IOU损失、距离损失Ldis以及方向损失Lasp。这样，就可用保留这次损失的完整特征，EIOU中对w和h的预测结果进行惩罚代替了CIOU中的αυ为长宽比的惩罚项。同时，EIOU损失直接最小化了目标框和锚框的宽度和高度的差异，使收敛速度更快，定位效果更好。并且加入Focal聚焦优质的锚框，解决样本不平衡问题。
Focal Loss是用来解决二分类问题中类别不平衡的交叉熵损失函数的改进版，表示为：
FocalLoss＝-αt(1-pt)γlog(pt)
其中αt用于解决正负样本不平衡的问题，γ用于解决难易样本不平衡的问题。
FocalL1 loss是借鉴Focal Loss的思想，但是是用于解决回归问题的不平衡的问题。在物体检测领域，研究认为高低质量样本是影响模型收敛的一个重要因素。因为在目标检测中，大部分根据锚点得到的预测框都和ground truth的IoU不大，这一部分叫做低质量样本，而在低质量样本上的训练容易造成损失值的剧烈波动。而FocalL1 loss的提出目标便是解决高低质量样本类别不平衡的问题。
FocalL1 loss的梯度如下：
Figure BDA0003513842390000061
其中β用于控制曲线的弧度，α用于无论β值为何，都可以将梯度的值控制到[0,1]。下面阐述β的分段方式的原因以及α和β的关系。
首先，可以得到g(x)的一阶和二阶导数：
g′(x)＝-α(ln(βx)+1)；
Figure BDA0003513842390000062
可以看出g(x)的二阶导数恒为负数，因此g(x)是个上凸函数，因此在g′(x)处拥有全局最大值。因此可以根据一阶导数为0的情况推出β和x的关系：
Figure BDA0003513842390000063
因为x*的范围是(0,1]，因此可以推出的β范围是[1/e,+∞]；同时也要保证βx∈(0,1]，因此β∈[1/e,1]。
因为在x在
Figure BDA0003513842390000064
处取得最大值，且希望这个值是1，借此可以推出α和β的关系：
Figure BDA0003513842390000065
Figure BDA0003513842390000071
根据g(x)，对其求积分可以得到FocalL1 loss：
Figure BDA0003513842390000072
积分过程如式：
Figure BDA0003513842390000073
其中C是一个常数，为了保证损失函数的连续性，将x＝1赋值，得到C＝(2αlnβ+α)/4。
FocalL1 Loss的函数曲线和梯度曲线分别如图2(a)和图2(b)所示。
从图2(b)中可以看出，FocalL1 loss可以根据β的值控制梯度值开始下降的位置并且在x＝1处下降到常数值。FocalL1 loss通过给低质量样本更小的梯度来实现对低质量样本的抑制。
FocalL1 loss通过计算(x,y,w,h)的位移偏差之和来计算回归损失，表示为：
Figure BDA0003513842390000074
在bbr中，存在训练样本不平衡的问题，即由于图像中目标对象的稀疏性，具有小回归误差的高质量样本(锚定框)的数量远远少于低质量样本(离群值)。最近的工作表明，异常值会产生过大的梯度，对训练过程有害。因此，使高质量的样本为网络训练过程提供更多的梯度就显得尤为重要。研究发现将focal损失直接应用于EIOU损失，会导致高质量样本的梯度降低，这不适用于EIOU损失，并不能改善EIOU损失的性能。使用focal loss来重新衡量EIOU损失并得到Focal-EIOU，即下式所示：
LFocal-EIOU＝IOUγLEIOU；
其中IOU＝|a∩b|/|a∪b|和γ是控制异常点抑制程度的参数，a与b分别为真实框和预测框的面积。其中γ值越大，对硬实例的抑制作用越强，收敛速度越慢。在本实例中，设置γ＝0.5可以达到最好的平衡。
为了避免在早期训练阶段由于重新加权并导致收敛速度慢的问题，Focal-EIOU使用每批加权之和来规范损失。Focal-EIOU计算公式如下：
Figure BDA0003513842390000081
其中n是每一批中的锚-目标对的数量。
Figure BDA0003513842390000082
和Wi是锚定目标对i的损失和相应的权重。
(3)网络训练
利用迁移学习思想，将训练分为两个阶段，分别是冻结阶段和解冻阶段，进行网络训练，前50个epoch冻结主干网络，对不冻结的网络层进行微调，参与反向传播中的梯度更新，学习具有通用性的浅层特征。后50个epoch放开冻结层，对全部层利用反向传播算法进行训练，对训练目标进行更具有针对性以及更高级的抽象特征，得到最终合适的参数矩阵和偏置向量，训练超参数设计如表1所示。
表1训练超参数设计
Figure BDA0003513842390000083
迁移学习思想的训练方式有利于加快训练速度，也可以在训练初期防止权值被破坏。
最后为了评估本发明提出的一种基于Focal-EIOU的YOLOv4目标检测算法，使用自制数据集进行训练，从图3与图4的损失函数曲线图可看出，基于Focal-EIOU的边界框损失函数改善了基于CIOU的边界框损失函数的loss图中由于batch_size小产生了震荡，并且加速了收敛。且由于Focalloss使回归过程专注于高质量锚框，能够使得目标检测定位效果更好，如图5检测对比图所示。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.一种基于Focal-EIOU的YOLOv4目标检测方法，其特征在于，所述目标检测方法包括以下步骤：
S1，对样本标签进行平滑处理；
S2，根据余弦退火算法优化学习率；
S3，基于YOLOv4网络构建目标检测模型，采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数；
S4，利用迁移学习思想，将训练分为两个阶段，分别是冻结阶段和解冻阶段，进行网络训练；
在网络训练时，采用的余弦退火学习率先模拟余弦函数快速下降，使目标检测模型迅速踏入局部最优点，保存局部最优点的模型；其次开启热重启，使学习率线性上升至一个较大值，以逃离当前的局部最优点，并寻找新的最优点；周期性重复上述过程以加速收敛。
2.根据权利要求1所述的基于Focal-EIOU的YOLOv4目标检测方法，其特征在于，步骤S1中，对样本标签进行平滑处理的过程包括以下步骤：
S11，对于二分类样本，设训练样本为(xi,yi)，其中yi为样本标签；当采用交叉熵来描述损失函数时，对于每一个样本i，损失函数为：
Figure FDA0003513842380000011
S12，经过标签随机化之后，新标签有λ的概率与原标签不同，有1-λ的概率与原标签相同；采用随机化新标签的损失函数有1-λ的概率与损失函数Li相同，有λ的概率为：
Figure FDA0003513842380000012
S13，将公式进行加权平均后得到新公式：
Figure FDA0003513842380000013
y′i＝-λ(1-yi)-(1-λ)yi；
S14，当输入标签为0时，用近似数λ进行替换；当输入标签为1时，用近似数1-λ进行替换：
Figure FDA0003513842380000014
3.根据权利要求1所述的基于Focal-EIOU的YOLOv4目标检测方法，其特征在于，步骤S2中，根据余弦退火算法优化学习率的过程包括以下步骤：
S21，设训练epoch为Ep、训练批次为Bs、预热期为w_epoch、预先设置学习率为ηbase、最大学习率为ηmax、最小学习率为ηmin、训练样本数为Sc；
S22，根据下述公式，求出初始化总步长Stepstotal以及预热步长Stepswarmup：
Stepstotal＝(Ep×Sc)/Bs
Stepswarmup＝(w×Sc)/Bs；
S23，在每次重启之后更新当前执行的步数Stepglobal，记录当前学习率，并进行更新学习率：
如果Stepsglobal<Stepswarmup，根据如下公式计算线性增长的学习率ηwarmup：
Figure FDA0003513842380000021
如果Stepsglobal≥Stepswarmup，根据如下公式计算线性增长的学习率ηwarmup：
Figure FDA0003513842380000022
S24，计算余弦退火的学习率：
ηt＝min(ηt,ηmin)。
4.根据权利要求1所述的基于Focal-EIOU的YOLOv4目标检测方法，其特征在于，步骤S3中，采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数的过程包括以下步骤：
S31，采用focal loss重新衡量EIOU损失以得到Focal-EIOU：
LFocal-EIOU＝IOUγLEIOU
其中IOU和γ是控制异常点抑制程度的参数，IOU＝|a∩b|/|a∪b|，a与b分别为真实框和预测框的面积；γ值越大，对硬实例的抑制作用越强，收敛速度越慢；LEIOU是EIOU的损失函数公式，直接对w和h的预测结果进行惩罚；
S32，采用每批加权之和来规范损失，则Focal-EIOU计算公式为：
Figure FDA0003513842380000023
其中n是每一批中的锚-目标对的数量；
Figure FDA0003513842380000024
和Wi是锚定目标对i的损失和相应的权重。
5.根据权利要求1所述的基于Focal-EIOU的YOLOv4目标检测方法，其特征在于，步骤S4中，利用迁移学习思想，将训练分为两个阶段，分别是冻结阶段和解冻阶段，进行网络训练的过程包括以下步骤：
在前50个epoch冻结主干网络，对不冻结的网络层进行微调，参与反向传播中的梯度更新，学习具有通用性的浅层特征；在后50个epoch放开冻结层，对全部层利用反向传播算法进行训练，学习具有更针对性以及更高级的抽象特征，得到最终合适的参数矩阵和偏置向量。
CN202210160471.3A 2022-02-22 2022-02-22 基于Focal-EIOU的YOLOv4目标检测方法 Pending CN114548269A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210160471.3A CN114548269A (zh) 2022-02-22 2022-02-22 基于Focal-EIOU的YOLOv4目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210160471.3A CN114548269A (zh) 2022-02-22 2022-02-22 基于Focal-EIOU的YOLOv4目标检测方法

Publications (1)

Publication Number Publication Date
CN114548269A true CN114548269A (zh) 2022-05-27

Family

ID=81677310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210160471.3A Pending CN114548269A (zh) 2022-02-22 2022-02-22 基于Focal-EIOU的YOLOv4目标检测方法

Country Status (1)

Country Link
CN (1) CN114548269A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512717A (zh) * 2022-11-21 2022-12-23 东北石油大学三亚海洋油气研究院 一种基于集成学习的二阶段单传感器管道泄漏定位方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512717A (zh) * 2022-11-21 2022-12-23 东北石油大学三亚海洋油气研究院 一种基于集成学习的二阶段单传感器管道泄漏定位方法

Similar Documents

Publication Publication Date Title
Chen et al. Closing the generalization gap of adaptive gradient methods in training deep neural networks
Wu et al. Node selection toward faster convergence for federated learning on non-iid data
Hessel et al. Rainbow: Combining improvements in deep reinforcement learning
CN110321811B (zh) 深度逆强化学习的无人机航拍视频中的目标检测方法
CN114548269A (zh) 基于Focal-EIOU的YOLOv4目标检测方法
CN115410103B (zh) 一种基于联邦学习的大坝缺陷识别模型快速收敛方法
CN109242878A (zh) 一种基于自适应布谷鸟优化法的图像多阈值分割方法
Istrate et al. Incremental training of deep convolutional neural networks
Yang et al. Efficient average reward reinforcement learning using constant shifting values
Lu et al. Beyond network pruning: a joint search-and-training approach
Cai et al. On-device image classification with proxyless neural architecture search and quantization-aware fine-tuning
CN114757322A (zh) 一种多样搜索策略离散粒子群算法
CN111768028A (zh) 一种基于深度强化学习的gwlf模型参数调节方法
Nawrot et al. Dynamic memory compression: Retrofitting llms for accelerated inference
Park et al. Layer-wise auto-weighting for non-stationary test-time adaptation
Liu et al. An improved ant colony optimization algorithm based on pheromone backtracking
CN111553926A (zh) 一种基于二维Tsallis灰度熵快速迭代的阈值分割方法
Fan et al. Service migration in mobile edge computing based on reinforcement learning
CN114995106B (zh) 基于改进小波神经网络的pid自整定方法、装置和设备
CN108459501A (zh) 一种网络环境下的基于ga-powell算法的约束广义预测控制器
Cai Sa-gd: Improved gradient descent learning strategy with simulated annealing
Rai et al. Image edge detection using modified ant colony optimization algorithm based on weighted heuristics
WO2022137244A1 (en) Methods and apparatuses of determining for controlling a multi-agent reinforcement learning environment
CN116073403B (zh) 一种模糊逻辑控制驱动下的风电功率波动平抑方法
Zheng et al. AD-DARTS: Adaptive Dropout for Differentiable Architecture Search

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