- 博客(8)
- 收藏
- 关注
RSS订阅原创 文献阅读-3
摘要：由于遥感图像小目标的局限性，如背景噪声、信息差等，常用的检测算法在小目标检测中的结果并不令人满意。为了提高检测结果的准确性，我们开发了一种基于YOLOv8的改进算法，称为LAR-YOLOv8。首先，在特征提取网络中，利用双分支架构注意机制增强局部模块，利用视觉转换器块最大化特征图的表示。其次，设计了一个注意力引导的双向特征金字塔网络，通过动态稀疏注意机制从浅层网络中提取特征来生成更具区分性的信息，并添加自上而下的路径来指导后续的网络模块进行特征融合。
2024-11-13 15:42:36
726
原创 文献阅读-2
摘要:YOLO系列因其速度和准确性之间的合理权衡而成为实时目标检测最流行的框架。然而，我们观察到 YOLO 的速度和准确性受到 NMS 的负面影响。最近，端到端基于变压器的检测器 (DETR) 提供了一种消除 NMS 的替代方案。然而，高计算成本限制了它们的实用性，阻碍了它们充分利用排除NMS的优势。在本文中，我们提出了实时检测转换器(RT-DETR)，这是第一个实时端到端对象检测器到我们解决上述困境的最佳知识。
2024-11-11 19:14:33
609
原创 YOLOV5—从0开始
Focus模块在YOLOv5中是图片进入Backbon前，对图片进行切片操作，具体操作是在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了四张图片，四张图片互补，长得差不多，但是没有信息丢失，这样一来，将W、H信息就集中到了通道空间，输入通道扩充了4倍。写在前面作者也是在看其他博主的文章进行的学习及思考，部分学习内容会借鉴其他博主的文章，借鉴部分会标注博主的链接，可直接点链接去看博主的原文章。，置信度低的会被置信度高的框所抑制，那么当两个目标靠的十分近的时候就只会识别出一个BBox。
2024-11-10 12:58:51
922
原创 文献阅读—1
摘要：由于操作条件，风力涡轮机可能会受到各种类型的损伤的影响，包括裂缝和磨损。首先，将C2f-FocalNextBlock模块加入到算法的骨干网中，增强了主网络的特征提取能力。该模块有效地捕获了跨模态交互并建立了维度之间的依赖关系，从而提高了算法的特征提取能力。最后，在算法的颈部网络中引入了一种细颈结构，以更好地整合目标和背景信息的多尺度特征，从而提高算法的性能。实验结果表明，基于YOLOv8设计的风力机损伤检测算法的平均精度平均值为79.9%，准确检测风力机损伤。其他个版本的map都对比了，都有上升。
2024-11-10 10:29:09
686
原创 文献阅读-0
消融和比较实验结果表明，与原始算法相比，LUDY-N 和 LUDY-S 在各种评价指标中都表现出了优异的性能，表明所提出的改进策略使模型具有更好的鲁棒性和泛化性。此外，与其他多个流行的竞争对手相比，所提出的改进策略使LUD-YOLO具有最佳的整体性能，为无人机目标检测提供了有效的解决方案，同时平衡了模型大小和检测精度。除了上述的改进，该作者设计了俩个模型分别基于YOLOV8的N,S模型进行改进，得到LUDY-N,LUDY-S俩个模型，这俩个模型还分别适用于不同的场景。
2024-11-06 17:15:39
731
原创 从0开始学习目标检测-0
BaseException 所有异常的基类SystemExit 解释器请求退出KeyboardInterrupt 用户中断执行(通常是输入^C)Exception 常规错误的基类迭代器没有更多的值生成器(generator)发生异常来通知退出StandardError 所有的内建标准异常的基类ArithmeticError 所有数值计算错误的基类FloatingPointError 浮点计算错误OverflowError 数值运算超出最大限制。
2024-11-04 21:53:35
773
原创 关于yolo11数据集划分的原因及代码运行
train loss 下降 ↓，val loss：上升/不变：有点过拟合overfitting，可以停掉训练，用过拟合方法如数据增强、正则、dropout、max pooling等。train loss 稳定，val loss 下降：数据有问题，检查数据标注有没有错，分布是否一直，是否shuffle。特点： 模型在训练过程中不使用验证集的样本来调整参数，但会通过验证集的性能来判断模型是否过拟合或者欠拟合。train loss 下降↓，val loss 下降 ↓：训练正常，网络仍在学习，最好的情况。
2024-10-31 21:41:53
304
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人