排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
肉鸽行为表现与鸽舍环境舒适度和肉鸽健康状况密切相关。为实现肉鸽行为精准检测、及时掌握肉鸽健康状况,提出了基于改进YOLO v4模型的肉鸽行为检测方法。由于肉鸽社交等行为特征相似性程度高,为了在复杂环境下准确识别肉鸽行为,本文采用自适应空间特征融合(Adaptively spatial feature fusion, ASFF)模块改进YOLO v4模型,在特征金字塔网络中增加ASFF模块,根据特征权值自适应融合多层特征,充分利用不同尺度特征信息,并且ASFF模块能有效过滤空间冲突信息、抑制反向梯度不一致问题、改善特征比例不变性以及降低推理开销。基于多时段的肉鸽清洁和社交行为数据集,自制5类肉鸽行为图像数据库,采用OpenCV工具进行模糊、亮度、水雾和噪声等处理扩充图像数据集(共10 320幅图像),增加数据多样性和模拟不同识别场景,提升模型泛化能力。本文按照比例8∶2划分训练集和验证集,训练总共迭代300个周期,对不同时段、角度、尺寸的肉鸽数据集进行检测。检测结果表明,在阈值0.50和0.75时YOLO v4-ASFF检测精度比YOLO v4的mAP50和mAP<... 相似文献
2.
提出了一种基于改进YOLOv5n的肉羊攻击行为检测方法.在轻量级网络YOLOv5n的基础上,首先利用Ghost模块卷积替换传统卷积,减少网络参数和计算成本;其次在网络关键位置添加坐标注意力机制(Coordinate Attention, CA),用来增强网络通道信息和位置信息;然后引入EIOU(Efficient Intersection Over Union)损失函数,并进行改进,增强预测框准确性,减少误检情况;最后利用Ranger21优化器替代SGD(Stochastic Gradient Descent)优化器,缓解Ghost模块卷积提取特征不足,加快模型收敛速度.为了提升模型对不同天气泛化能力,对一半数据添加雪天、雨天和雾化3种天气情况.对比试验表明,改进模型是原YOLOv5n基础模型参数的83%,模型大小仅有3 Mb,而准确率提升0.7%,召回率提升1.3%,mAP(Mean Average Precision)提升0.5%,F1提升1.01%,同时优于其他主流基于YOLO轻量级网络模型. 相似文献
1