CN116844030A - 一种基于改进YOLOv8的图像目标检测方法及系统 - Google Patents

一种基于改进YOLOv8的图像目标检测方法及系统 Download PDF

Info

Publication number
CN116844030A
CN116844030A CN202310892651.5A CN202310892651A CN116844030A CN 116844030 A CN116844030 A CN 116844030A CN 202310892651 A CN202310892651 A CN 202310892651A CN 116844030 A CN116844030 A CN 116844030A
Authority
CN
China
Prior art keywords
module
sub
target detection
modules
yolov8
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
CN202310892651.5A
Other languages
English (en)
Inventor
洪远
姜明新
杜强
黄俊闻
项靖
王杰
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin 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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202310892651.5A priority Critical patent/CN116844030A/zh
Publication of CN116844030A publication Critical patent/CN116844030A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进YOLOv8的图像目标检测方法及系统，本发明将待检测的图像输入训练好的目标检测网络，得到检测的目标；其中，所述目标检测网络将YOLOv8的骨干网中所有C2f模块全部替换为新型循环视觉模块；其中，所述新型循环视觉模块包括依次连接的卷积子模块、局部自注意力子模块、第一多层感知机子模块、全局自注意子模块、第二多层感知机子模块和特征金字塔多尺度融合子模块，每一子模块的输出还通过残差连接下一子模块。本发明效率更高。

Description

一种基于改进YOLOv8的图像目标检测方法及系统
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于改进YOLOv8的图像目标检测方法及系统。
背景技术
图像目标检测旨在找出图像中指定目标的类别和位置，现已广泛应用于各个领域，如自动驾驶、遥感图像、视频监控以及医疗检测等。YOLO作为经典的目标检测网络，自从2016年起，经过不断版本更新，从YOLOv1至发展到YOLOv8，YOLO系列的目标检测方法伴随着单阶段(One-Stage)目标检测的发展而发展，已经成为单阶段方法的典型代表。现有技术YOLOv8包括骨干网Backbone、头部Head和检测头，如图1所示，其Backbone骨干网对特征提取的延迟和推理时间较长，效率较低，有待改进。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种效率更高的基于改进YOLOv8的图像目标检测方法及系统。
技术方案：本发明所述的基于改进YOLOv8的图像目标检测方法包括：
将待检测的图像输入训练好的目标检测网络，得到检测的目标；其中，所述目标检测网络将YOLOv8的骨干网中所有C2f模块全部替换为新型循环视觉模块；其中，所述新型循环视觉模块包括依次连接的卷积子模块、局部自注意力子模块、第一多层感知机子模块、全局自注意子模块、第二多层感知机子模块和特征金字塔多尺度融合子模块，每一子模块的输出还通过残差连接下一子模块。
优选的，所述目标检测网络还可以将YOLOv8的头部中的C2f模块全部替换为CReToNeXt模块，所述CReToNeXt依次连接的CSP子模块和若干反向基础子模块，每个反向基础子模块还通过残差连接下一反向基础子模块。
优选的，所述目标检测网络还可以将YOLOv8的检测头中的全部替换为非对称结构的LADH检测头，所述LADH检测头包括依次连接的第一卷积层、第一深度可分离卷积层、第二深度可分离卷积层、第二卷积层和Segmoid激活函数。
进一步的，该方法还包括对所述目标检测网络进行训练的步骤。采用包括训练集、测试集、验证集的数据集对所述目标检测网络进行训练。
本发明所述的基于改进YOLOv8的图像目标检测系统包括：
图像获取单元，用于获取待检测的图像；
目标检测网络，用于根据待检测的图像提取检测的目标，所述目标检测网络将YOLOv8的骨干网中所有C2f模块全部替换为新型循环视觉模块；其中，所述新型循环视觉模块包括依次连接的卷积子模块、局部自注意力子模块、第一多层感知机子模块、全局自注意子模块、第二多层感知机子模块和特征金字塔多尺度融合子模块，每一子模块的输出还通过残差连接下一子模块。
优选的，所述目标检测网络还可以将YOLOv8的头部中的C2f模块全部替换为CReToNeXt模块，所述CReToNeXt依次连接的CSP子模块和若干反向基础子模块，每个反向基础子模块还通过残差连接下一反向基础子模块。
优选的，所述目标检测网络还可以将YOLOv8的检测头中的全部替换为非对称结构的LADH检测头，所述LADH检测头包括依次连接的第一卷积层、第一深度可分离卷积层、第二深度可分离卷积层、第二卷积层和Segmoid激活函数。
优选的，该系统还包括训练单元，所述训练单元用于对所述目标检测网络进行训练。采用包括训练集、测试集、验证集的数据集对所述目标检测网络进行训练。
有益效果：本发明与现有技术相比，其显著优点是：本发明对YOLOv8进行了改进，改进后，目标检测效率更高。
附图说明
图1是现有技术中YOLOv8的网络结构图；
图2是本发明目标检测网络的骨干网的结构图；
图3是本发明新型循环视觉模块的结构图；
图4是本发明目标检测网络的头部的结构图；
图5是CSP的结构图；
图6是本发明目标检测网络的检测头的结构图；
图7是本发明目标检测网络的检测头的连接方式图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种基于改进YOLOv8的图像目标检测方法，该方法将待检测的图像输入训练好的目标检测网络，从而得到检测的目标。
本实施例中，目标检测网络将YOLOv8的骨干网中所有C2f模块全部替换为新型循环视觉模块，替换后的骨干网如图2所示。如图3所示，新型循环视觉模块包括依次连接的卷积子模块、局部自注意力子模块、第一多层感知机子模块MLP、全局自注意子模块、第二多层感知机子模块MLP和特征金字塔多尺度融合子模块，每一子模块的输出还通过残差连接下一子模块。所述局部自注意力子模块为局部块注意力机制(block–sa)，所述全局自注意子模块为全局网格注意力机制(Grid-SA)。新型循环视觉模块是对RVT Block(RecurrentVision Transformers Block)的改进，RVT Block见文献“Recurrent VisionTransformers for Obiect Detection with Event Cameras”，此处不再赘述。新型循环视觉模块在RVT Block基础上，将其LSTM改进为特征金字塔多尺度融合子模块FPP，不需要LSTM重用前一个时间步的状态，特征金字塔多尺度融合子模块FPP通过融合不同层级的特征来实现多尺度的目标检测，会从高层级开始，将较低层级的特征进行上采样，使其与高层级的特征具有相同的分辨率，然后，将上采样后的特征与高层级的特征进行融合，得到多尺度的特征表示。这样可以使得算法能够同时捕捉到不同尺度下的目标信息，使得特征金字塔多尺度融合子模块FPP能够在不同尺度上实现更准确的目标检测，提高了检测算法的性能。新型循环视觉模块在YOLOv8骨干网中降低了延迟，提高了特征提取的效率。
在其他实施例中，为了更进一步提高效率，目标检测网络还可以将YOLOv8的头部中的C2f模块全部替换为CReToNeXt模块，替换后的头部结构如图4所示。所述CReToNeXt包括依次连接的CSP子模块(Cross Stage Partial Network，CSPNet)和若干反向基础(BasicBlock_3x3_Reverse)子模块，每个反向基础子模块还通过残差连接下一反向基础子模块。CSP子模块结构如图5所示，其将梯度的变化从头到尾地集成到特征图中，在减少了计算量的同时可以保证准确率，主要用于融合不同分支的特征，它将输入的特征分为两个分支，然后将其中一个分支进行进一步的处理，如卷积、批归一化等操作，最后，两个分支的特征按通道进行拼接，实现特征融合。CSP方法可以减少模型计算量和提高运行速度的同时，还不降低模型的精度。BasicBlock是ResNet中使用的一种网络结构，多个反向基础子模块可以用来增强特征表达能力，这些块通过堆叠的方式在输入特征上进行多次卷积操作，并使用残差连接来保留原始特征的信息。在CReToNeXt模块的中间部分，可以选择添加SPP(Spatial Pyramid Pooling)池化层,SPP池化层可以在不同尺度下对特征进行池化操作，并将池化结果拼接起来，增强特征的多尺度表示能力。CReToNeXt模块还包括一些卷积操作和通道数调整，用于调整特征的维度和通道数，以适应后续的网络操作。将CReToNeXt结构添加到YOLOv8的head部，可以增强模型对目标的特征提取能力，提高检测性能。它能够有效地捕捉不同尺度的特征信息，并通过特征融合和增强来提升模型的感知能力和表达能力。
在其他实施例中，考虑到YOLOv8检测头部分模型参数过多，计算复杂度较高，本发明的目标检测网络还可以将YOLOv8的检测头中的全部替换为非对称结构的LADH(Lightweight and Adaptive Detection Head)检测头。YOLOv8的检测头为对称结构，如图1所示，而本发明的LADH检测头为非对称结构，包括依次连接的第一卷积层conv、第一深度可分离卷积层DWConv、第二深度可分离卷积层DWConv、第二卷积层conv和Segmoid激活函数，如图6所示。在所提出的LADH中，网络根据各种任务类型进行划分，通过3条不同网络路径分别进入三个LADH检测头，在YOLOv8的连接方式如图7所示。第一卷积层是一个3x3的卷积层，将输入特征图的通道数从x变为c2*2。它帮助提取特征并增加通道数，以便更好地捕获目标的信息。第一深度可分离卷积层DWConv3*3首先对每个输入通道分别应用卷积操作，然后对通道之间的特征进行组合。这有助于减少计算量并提高模型的效率。第二深度可分离卷积层DWConv 3*3将输入特征图的通道数从c2减少到c2。与上一步类似，这一层继续减少通道数并提取更高级别的特征。第二卷积层conv1*1卷积层，将输入特征图的通道数从c2变为4*self.reg_max，负责预测边界框的坐标信息。一系列卷积层和深度可分离卷积层的组合，用于从输入特征图中提取特征并生成边界框的坐标信息。每个部分的作用是逐步地提取和转换特征，以便准确预测目标的位置和尺寸。最后通过Segmoid激活函数对类别进行预测，将输入值压缩到0到1之间的范围内，其输出表示每个类别的概率分布。检测结果将包含转换后的边界框坐标以及各个类别的概率值。LADH减少了模型参数，降低了计算复杂度。
本领域技术人员可以知晓，在检测前还包括对目标检测网络进行训练的步骤，本实施例选用MS COCO 2017数据集，其中已经划分好数据集，含有训练集、测试集、验证集。训练所采用的方法为本领域公知技术，不再赘述。
本发明实施例还提供了一种基于改进YOLOv8的图像目标检测系统，包括：
图像获取单元，用于获取待检测的图像；
目标检测网络，用于根据待检测的图像提取检测的目标，所述目标检测网络将YOLOv8的骨干网中所有C2f模块全部替换为新型循环视觉模块；其中，所述新型循环视觉模块包括依次连接的卷积子模块、局部自注意力子模块、第一多层感知机子模块、全局自注意子模块、第二多层感知机子模块和特征金字塔多尺度融合子模块，每一子模块的输出还通过残差连接下一子模块。
在其他实施例中，所述目标检测网络还可以将YOLOv8的头部中的C2f模块全部替换为CReToNeXt模块，所述CReToNeXt依次连接的CSP子模块和若干反向基础子模块，每个反向基础子模块还通过残差连接下一反向基础子模块。
在其他实施例中，所述目标检测网络还可以将YOLOv8的检测头中的全部替换为非对称结构的LADH检测头，所述LADH检测头包括依次连接的第一卷积层、第一深度可分离卷积层、第二深度可分离卷积层、第二卷积层和Segmoid激活函数。
本系统可采用软件和/或硬件的方式实现，可以配置于终端设备中。本发明实施例所提供的系统可以用于执行本发明实施例一所提供的方法，具备执行方法相应的功能和有益效果。
值得注意的是，上述确定系统的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
以上所描述的实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以只通过硬件实现，只要能实现功能或作用都可以。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

Claims (10)

1.一种基于改进YOLOv8的图像目标检测方法，其特征在于该方法包括：
将待检测的图像输入训练好的目标检测网络，得到检测的目标；
其中，所述目标检测网络将YOLOv8的骨干网中所有C2f模块全部替换为新型循环视觉模块；其中，所述新型循环视觉模块包括依次连接的卷积子模块、局部自注意力子模块、第一多层感知机子模块、全局自注意子模块、第二多层感知机子模块和特征金字塔多尺度融合子模块，每一子模块的输出还通过残差连接下一子模块。
2.根据权利要求1所述的基于改进YOLOv8的图像目标检测方法，其特征在于：所述目标检测网络还将YOLOv8的头部中的C2f模块全部替换为CReToNeXt模块，所述CReToNeXt包括依次连接的CSP子模块和若干反向基础子模块，每个反向基础子模块还通过残差连接下一反向基础子模块。
3.根据权利要求1所述的基于改进YOLOv8的图像目标检测方法，其特征在于：所述目标检测网络还将YOLOv8的检测头中的全部替换为非对称结构的LADH检测头，所述LADH检测头包括依次连接的第一卷积层、第一深度可分离卷积层、第二深度可分离卷积层、第二卷积层和Segmoid激活函数。
4.根据权利要求1所述的基于改进YOLOv8的图像目标检测方法，其特征在于：该方法还包括对所述目标检测网络进行训练的步骤。
5.根据权利要求4所述的基于改进YOLOv8的图像目标检测方法，其特征在于：采用包括训练集、测试集、验证集的数据集对所述目标检测网络进行训练。
6.一种基于改进YOLOv8的图像目标检测系统，其特征在于包括：
图像获取单元，用于获取待检测的图像；
目标检测网络，用于根据待检测的图像提取检测的目标，所述目标检测网络将YOLOv8的骨干网中所有C2f模块全部替换为新型循环视觉模块；其中，所述新型循环视觉模块包括依次连接的卷积子模块、局部自注意力子模块、第一多层感知机子模块、全局自注意子模块、第二多层感知机子模块和特征金字塔多尺度融合子模块，每一子模块的输出还通过残差连接下一子模块。
7.根据权利要求6所述的基于改进YOLOv8的图像目标检测系统，其特征在于：所述目标检测网络还将YOLOv8的头部中的C2f模块全部替换为CReToNeXt模块，所述CReToNeXt包括依次连接的CSP子模块和若干反向基础子模块，每个反向基础子模块还通过残差连接下一反向基础子模块。
8.根据权利要求6所述的基于改进YOLOv8的图像目标检测系统，其特征在于：所述目标检测网络还将YOLOv8的检测头中的全部替换为非对称结构的LADH检测头，所述LADH检测头包括依次连接的第一卷积层、第一深度可分离卷积层、第二深度可分离卷积层、第二卷积层和Segmoid激活函数。
9.根据权利要求6所述的基于改进YOLOv8的图像目标检测系统，其特征在于：该系统还包括训练单元，所述训练单元用于对所述目标检测网络进行训练。
10.根据权利要求9所述的基于改进YOLOv8的图像目标检测系统，其特征在于：采用包括训练集、测试集、验证集的数据集对所述目标检测网络进行训练。
CN202310892651.5A 2023-07-20 2023-07-20 一种基于改进YOLOv8的图像目标检测方法及系统 Pending CN116844030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310892651.5A CN116844030A (zh) 2023-07-20 2023-07-20 一种基于改进YOLOv8的图像目标检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310892651.5A CN116844030A (zh) 2023-07-20 2023-07-20 一种基于改进YOLOv8的图像目标检测方法及系统

Publications (1)

Publication Number Publication Date
CN116844030A true CN116844030A (zh) 2023-10-03

Family

ID=88161663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310892651.5A Pending CN116844030A (zh) 2023-07-20 2023-07-20 一种基于改进YOLOv8的图像目标检测方法及系统

Country Status (1)

Country Link
CN (1) CN116844030A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118172657A (zh) * 2024-05-14 2024-06-11 深圳市慧为智能科技股份有限公司 场景分类方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118172657A (zh) * 2024-05-14 2024-06-11 深圳市慧为智能科技股份有限公司 场景分类方法、装置、计算机设备及存储介质
CN118172657B (zh) * 2024-05-14 2024-07-19 深圳市慧为智能科技股份有限公司 场景分类方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN110782462B (zh) 一种基于双流特征融合的语义分割方法
US12051004B2 (en) Neural architecture search method based on knowledge distillation
US11538286B2 (en) Method and apparatus for vehicle damage assessment, electronic device, and computer storage medium
US10509987B1 (en) Learning method and learning device for object detector based on reconfigurable network for optimizing customers' requirements such as key performance index using target object estimating network and target object merging network, and testing method and testing device using the same
CN110659664B (zh) 一种基于ssd的高精度识别小物体的方法
RU2476825C2 (ru) Способ управления движущимся объектом и устройство для его осуществления
CN116844030A (zh) 一种基于改进YOLOv8的图像目标检测方法及系统
CN111967401A (zh) 目标检测方法、设备及存储介质
CN113076891B (zh) 基于改进高分辨率网络的人体姿态预测方法及系统
CN114495029A (zh) 一种基于改进YOLOv4的交通目标检测方法及系统
CN108363962B (zh) 一种基于多层次特征深度学习的人脸检测方法及系统
CN112132013A (zh) 一种车辆关键点检测方法
KR20210085569A (ko) 표적 추적 시스템 및 방법
CN115546492A (zh) 一种图像实例分割方法、系统、设备以及存储介质
CN115690545B (zh) 训练目标跟踪模型和目标跟踪的方法和装置
CN115661767A (zh) 一种基于卷积神经网络的图像前方车辆目标识别方法
CN116740516A (zh) 基于多尺度融合特征提取的目标检测方法及系统
CN109784295B (zh) 视频流特征识别方法、装置、设备及存储介质
CN114743130A (zh) 多目标行人跟踪方法及系统
CN113313720B (zh) 对象分割方法和装置
CN113160272B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN114266805A (zh) 一种用于无人机目标跟踪的孪生区域建议网络模型
CN116778346B (zh) 一种基于改进自注意力机制的管线识别方法及系统
CN116934696A (zh) 一种基于YOLOv7-Tiny模型改进的工业PCB缺陷检测方法及其装置
CN116229217A (zh) 一种应用于复杂环境下的红外目标检测方法

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