目标检测论文解读复现之八:基于YOLOv5s的滑雪人员检测研究
前言
此前出了目标改进算法专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读最新目标检测算法论文,帮助大家解答疑惑。解读的系列文章,本人已进行创新点代码复现,有需要的朋友可关注私信我。
一、摘要
针对滑雪人员目标检测研究中,存在的检测精度低、速度慢,不同姿态识别效果差等问题,采用YOLOv5s网络模型,改进损失函数,增加平衡因子,在自制滑雪人员数据集上对网络进行训练,利用训练好的网络进行图像特征提取,实现滑雪人员的快速检测。基于YOLOv5s的滑雪人员检测模型可以有效识别不同姿态下的滑雪人员,mAP值达到99.87%,Recall值达到97.66%,检测速度可以达到7ms/帧。实验结果表明,改进的YOLOv5s滑雪人员检测模型,检测速度快,检测精度高,鲁棒性强,有较好的可扩展性,既满足检测精度要求,又满足检测速度要求。
二、网络模型及核心创新点
1.YOLOv5s网络中融合SE注意力模块
2.K-means聚类方法构建绝缘子的先验框
3.构造置信度与定位任务联合的损失函数
4.引入Mosaic数据增强策略训练网络
三、应用数据集
本文使用的数据集为自制的滑雪数据集,数据集是由网络采集的5000张人员滑雪图片组成,其中包括不同角度、不同光照、不同天气的图像,自制数据集示例如下图所示,数据集的制作主要包括数据采集、数据整理和数据标注等三个步骤。
四、实验效果(部分展示)
- 训练结果如下图所示,mAP值达到99.87%,Recall值达到97.66%,相较于之前的算法平均精确度有所提升,且识别速率达到7ms/帧,训练模型大小为14.1M。
- 如下图所示,分别为不同姿态、不同光照下识别情况,置信度稳定在90%以上,识别效果较好。
五、实验结论
实验结果表明,本文提出的改进的YOLOV5滑雪人员检测模型,检测速度快,检测精度高,鲁棒性强,有较好的可扩展性,既满足检测精度要求,又满足检测速度要求,同时满足实时性的要求。
六、投稿期刊介绍
注:论文原文出自彭雅坤,曹伊宁,刘晓群;基于YOLOv5s的滑雪人员检测研究;长江信息通信;2021年第08期
解读的系列文章,本人已进行创新点代码复现,有需要的朋友可关注下面公众号,私信我。
相关文章
- 机器学习笔记 - Transformer/Attention论文解读
- 【论文复现】——基于NDT与ICP结合的点云配准算法
- 【论文复现】——Patchwork++:基于点云的快速稳健地面分割方法
- 带你读顶会论文丨基于溯源图的APT攻击检测
- 论文解读:ACL2021 NER | 基于模板的BART命名实体识别
- CartoonGAN论文复现:如何将图像动漫化
- 解读ICDE‘22论文:基于鲁棒和可解释自编码器的无监督时间序列离群点检测算法
- 论文投稿指南——中文核心期刊推荐(石油、天然气工业)
- 论文投稿指南——中文核心期刊推荐(植物学)
- 《论文阅读》Knowledge-Enriched Transformer for Emotion Detection in Textual Conversations
- 第五篇 VGGNet——论文翻译
- 论文笔记:基于特征选择与增量学习的非侵入式电动自行车充电辨识方法
- 【目标检测论文解读复现NO.32】基于改进YOLO的飞机起降阶段跟踪方法
- 【目标检测论文解读复现NO.31】基于改进YOLO v5复杂场景下肉鹅姿态的检测算法研究
- 【目标检测论文解读复现NO.28】基于改进YOLO v5的电厂管道油液泄漏检测
- 目标检测论文解读复现之十八:基于注意力机制的光线昏暗条件下口罩佩戴检测
- 目标检测论文解读复现之十六:基于改进YOLOv5的小目标检测算法
- 目标检测论文解读复现之十四:一种基于残差网络优化的航拍小目标检测算法
- 目标检测论文解读复现之九:基于改进YOLOv5的复杂场景下SAR图像船舶检测方法
- 目标检测论文解读复现之七:基于SE-YOLOv5s的绝缘子检测
- 目标检测论文解读复现之二:基于改进YOLOv5的轻量化航空目标检测方法
- SCI论文解读复现【NO.1】基于Transformer-YOLOv5的侧扫声纳图像水下海洋目标实时检测