多篇论文介绍-Wiou

论文地址

目录

https://arxiv.org/pdf/2301.10051.pdf

01 CIEFRNet：面向高速公路的抛洒物检测算法

02改进 YOLOv5 的 PDC 钻头复合片缺损识别

03 基于SimAM注意力机制的DCN-YOLOv5水下目标检测

04 基于改进YOLOv7-tiny 算法的输电线路螺栓缺销检测

05 基于改进YOLOv8的SAR图像飞机目标检测算法

06 基于改进YOLOv8的隧道火灾检测研究

07 融合 CA-BiFPN 的轻量化人体姿态估计算法

08基于改进 YOLOv5s 的果园环境葡萄检测

09 基于融合 GhostNetV2 的 YOLO v7 水稻籽粒检测

10 结合特征重用与特征重建的 YOLO 绝缘子检测方法

---

01 CIEFRNet：面向高速公路的抛洒物检测算法

        损失函数影响着网络的收敛速度和精度，良好的损失函数定义能为模型带来性能的显著提升。本文算法的损失函数由目标边界框损失、置信度损失和分类损失构成，如式(9)所示：

本的学习能力，本文引入了动态非单调聚焦机制的WIoU损失函数，其计算公式如式(10)、(11)、(12)和(13)所示。

      

其中LBcE为置信度和分类损失，Lwou为边界框损失。

02改进 YOLOv5 的 PDC 钻头复合片缺损识别

        YOLOv5网络的损失函数包括置信度损失、分类损失和边界框损失函数，边界框损失函数反应了真实框和预测框的误差。边界框损失函数的设计对于目标检测性能有很大的影响，好的边界框损失函数能提升目标检测精度。对于目标检测数据集中会有低质量的示例,如果过多的强调对低质量示例边界框的回归,就会影响网络检测性能的提升，为了解决这一问题 Wise-IoU(WIoU)y[221损失函数被提出，WloU是一种基于动态非单调聚焦的机制的边界框定位损失函数。对于低质量示例，预测框和真实框的纵横比、距离等几何度量会增加对低质量示例的惩罚影响模型的泛化能力，当预测框和真实框能够很好的重合时应当降低几何度量的惩罚。WIoU共有三个版本，vl构造了基于注意力的边界框损失，v2和 v3在v1的基础上附加聚焦机制，其中v3的性能更好。WIoU根据距离度量构建得到了WloUv1，如公式（7）所示:

   

 

 

03 基于SimAM注意力机制的DCN-YOLOv5水下目标检测

        在水下目标检测中，因训练数据中难以避免地包含低质量示例，所以如距离、纵横比的几何度量都会加剧对低质量示例的惩罚从而使模型的泛化性能下降。传统的损失函数不能在锚框与目标框较好地重合时削弱阻碍对象检测模型泛化的惩罚，过多地干预训练使模型没有很好的泛化能力。对此本文使用WloU代替YOLOv5的CIoU，WloU提出了一个动态的非单调FM，可以降低高质量的锚框的竞争力和掩盖低质量的例子的影响。WloU的动态非单调聚焦机制使用“离群度”替代CIoU对锚框进行质量评估,并提供了明智的梯度增益分配策略。该策略在降低高质量锚框的竞争力的同时，也减小了低质量示例产生的有害梯度。这使得 WIoU可以聚焦于普通质量的锚框，并提高检测器的整体性能并且使模型的泛化能力得到了有效的提高。

        在计算速度上，YOLOv5种引入WloU所增加的计算成本主要在于聚焦系数的计算、IoU损失的均值统计。在实验条件相同时，WloU因为没有对纵横比进行计算反而有更快的速度。在损失函数对比实验中，WloU的计算时长仅为CIoU的87.7%。

04 基于改进YOLOv7-tiny 算法的输电线路螺栓缺销检测

摘要:为提高无人机对架空输电线路巡检的效率和线路中螺栓缺销的检测精度,提出了改进的你只看一次第7微小版( you only look once version 7-tiny, YOLOv7-tiny)输电线路螺栓缺销检测算法。该算法采用高效的分布移位卷积(distribution shifting convolution , DSConv)来替换YOLOv7-tiny网络中的3x3卷积,以提高模型的计算速度并降低计算复杂度;在模型的检测头部分,添加了高效解耦头结构, 以提高模型的准确度和稳定性;并采用明智的交并比( wise intersection over union , WloU)损失函数来提高正样本的权重,使模型更加关注缺销螺栓目标,以减少正负样本不平衡带来的噪声干扰。实验结果表明,改进YOLOv7-tiny算法对输电线路螺栓缺销检测的平均精度均值达到90.6% ,检测速度达到143.0帧/s,同时实现了检测的高速度和高精度。该算法在无人机输电线路巡检中具有一定的优势。
关键词:无人机巡检;螺栓;缺销;YOLOv7-tiny ; DSConv; WloU;高效解耦头

05 基于改进YOLOv8的SAR图像飞机目标检测算法

摘要∶针对合成孔径雷达(Synthetic Aperture Radar, SAR )图像飞杌目标检测算法存在模型复杂度较高、检测效果差、泛化能力弱等问题，提出一种基于改进YOLOv8的SAR图像飞机目标检测算法。首先，针对SAR图像飞机目标较小的特点，剔除大目标检测层，重构特征提取网络和特征融合网络，降低模型计算量。其次，在主干网络引入可变形卷积( deformable convolutional networks,DCN)，增强特征提取能力;在颈部网络引入全局注意力机制(GAM attention,GAM )，提高检测精度。最后，采用WIOU( Wise-loU)损失函数，提高收敛速度和回归精度。在SADD数据集( SAR Aircraft Detection Dataset )上实验结果显示:改进算法较原YOLOv8算法模型体积压缩59.66%，参数量降低61.18%，计算量减少18.29%，最高精度提高至98.1%。与其他算法相比，所提算法在保证较高检测精度的情况下大幅降低了模型体积、参数量和计算量。实验结果表明所提算法实现了模型复杂度和检测精度的平衡。
关键词:YOLOv8;合成孔径雷达;网络重构;可变形卷积;GAM注意力机制;WIOU

06 基于改进YOLOv8的隧道火灾检测研究

摘要:隧道内火灾检测存在检测困难和难以直接部著到资源有限的以八八仅也I分就应自/抑题，提出一种基于改进YOLOv8的隧道火灾检测算法;自先分入0N1江Do休NR殂侨斫识和高吞制冗余特征，同时增强全局信息的捕捉;其次引人」一种新的同你仓帜roV个一所队A结里寿明.吐量的模型;最后使用WIoU函数优化网络的边界椎损大，便网络能时达基仪后描天参粉减少了了该网络在所使用隧道火灾数据集上的平均精度mAP提开」 1.3%，同的霍里化旧GA参只D道场辱29.7个百分点，向前推理时间降低了44%;算法能够平衡精度和轻重化的而水，可以满疋陇追功尔下的实时检测。
关键词:YOLOv8;局部卷积;WloU;极化注意力;轻量化

07 融合 CA-BiFPN 的轻量化人体姿态估计算法

摘要:针对现有的基于热力图的人体姿态估计网络模型复杂度高、算力需求大、不易部署至嵌入式平台和无人机移动平台等问题,提出了一种基于YOLOv5s6-Pose-ti-lite 不使用热力图的轻量化人体姿态估计网络模型。通过将主干网络替换为GhostNet网络，它旨在以更少的计算资源输出更有效的特征信息,提升网络检测速度，缓解网络冗余的问题;在主干网络中结合轻量化的坐标注意力CA(Coordinate Attention)模块，将图片的人体关键点位置信息聚集到通道上,增强特征提取能力;引入加权双向特征金字塔网络(bidirectional Feature Pyramid Network),提升模型的特征融合能力，平衡不同尺度的特征信息;最后将CIoU损失函数替换为Wise-loU(WIoU)，进一步提升模型对人体关键点回归的性能。结果表明，在COCO2017人体关键点数据集上，优化后的网络模型参数量降低26.2%，计算量降低30%，平均精确度提升1.7个百分点、平均召回率提升2.7个百分点，能够满足实时性的效果，验证了所提模型的可行性和有效性。
关键词:人体姿态估计;轻量化;坐标注意力;加权双向特征金字塔网络;损失函数

08基于改进 YOLOv5s 的果园环境葡萄检测

摘要:为了快速精准地识别复杂果园环境下的葡萄目标，该研究基于YOLOv5s提出一种改进的葡萄检测模型(MRW.YOLOv5s)。首先，为了减少模型参数量，采用轻量型网络MobileNetv3作为特征提取网络，并在 MobileNetv3的bneck 结构中嵌入坐标注意力模块(coordinate attention，CA）以加强网络的特征提取能力;其次，在颈部网络中引入RepVGG Block，融合多分支特征提升模型的检测精度，并利用RepVGG Block的结构重参数化进一步加快模型的推理速度;最后，采用基于动态非单调聚焦机制的损失(wise intersection over union loss，WloU Loss)作为边界框回归损失函数，加速网络收敛并提高模型的检测准确率。结果表明，改进的MRW-YOLOv5s模型参数量仅为7.56 M，在测试集上的平均精度均值(mean average precision，mAP)达到97.74%，相较于原YOLOv5s模型提升了2.32个百分点，平均每幅图片的检测时间为10.03 ms，比原YOLOv5s模型减少了6.13 ms。与主流的目标检测模型SSD、RetinaNet.YOLOv4、YOLOv7和YOLOX相比，MRW-YOLOv5s模型的 mAP分别高出9.89、7.53、2.12、0.91、2.42个百分点.并且在模型参数量大小和检测速度方面有着很大的优势，该研究可为果园智能化、采摘机械化提供技术支持。
关键词:图像处理;果实识别;YOLOv5s;注意力机制;RepVGG;Wise loU

09 基于融合 GhostNetV2 的 YOLO v7 水稻籽粒检测

摘要:水稻籽粒检测在粮食储存中凸显重要作用，直接影响粮食销售的价格。针对一般机器视觉检测算法在水稻籽粒小目标的密集场景下存在难以识别且网络模型参数大，检测速度较慢、成本高等问题，提出一种基于YOLO v7优化的水稻籽粒检测算法。首先将部分高效聚合网络模块(Efficient layer aggregationnetwork,ELAN)替换成轻量级网络模块GhostNetV2添加到主干及颈部网络部分，实现网络参数精简化的同时也减少了通道中的特征冗余;其次将卷积和自注意力结合的注意力模块(Convolution and self-attentionmixed model,ACmix)添加到MP模块中，平衡全局和局部的特征信息，充分关注特征映射的细节信息;最后使用WIloU(Wise intersection over union)作为损失函数，减少了距离、纵横比之类的惩罚项干扰，单调聚焦机制的设计提高了模型的定位性能。在水稻籽粒图像数据集上验证改进后的模型检测水平，实验结果表明改进后的YOLO v7模型的精确率和召回率的调和平均数(F1-score)高达 0.99，mAP@0.5达 96.55%，mAP@0.5:0.95达70.10%，训练模型参数量也有所下降，在实际场景以暗黑色为背景的水稻杂质检测中的效果优于其他模型，满足了水稻籽粒的实时检测要求，可考虑将此算法应用于自动化检测粮食系统之中。关键词:水稻籽粒检测;YOLO v7;轻量级网络;注意力模块;损失函数

10 结合特征重用与特征重建的 YOLO 绝缘子检测方法

摘要:针对当前智能巡检背景下，基于深度学习的绝缘子缺陷检测模型存在泛化性能低、对复杂背景下绝缘子难以识别的问题。从特征提取和融合角度考虑，提出了一种结合特征重用与特征重建的轻量化YOLO-RR网络进行绝缘子缺陷检测。首先，在特征提取阶段，以DenseNet为基础构建了dense35网络作为主干网络，依赖特征的重用，增加对细节的感知能力，提升了模型在低饱和度和低对比度成像情况下检测精度的同时也缩减了网络参数量;其次，在特征融合阶段，提出H-BiFPN结构进行不同尺度特征间双向融合，在特征提取的过程中将特征进行重用和重建，丰富了不同尺度的特征信息，解决了连续卷积下小目标信息丢失的问题，提升了对小目标的检测精度，较原来单向支路的特征融合更加高效。最后，使用WIoU_Loss来优化模型，通过对普通充分锚框的关注，使预测框更加精准。在扩充后的CPLID数据集上进行实验，改进后算法识别率达到93.6%，网络参数量压缩到5M，优于经典模型。能够满足绝缘子缺陷定位的准确性和实时性要求，同时在背景干扰较大、受光照影响的成像上也有很好的检测效果。
关键词:绝缘子检测;YOLO;特征重用;特征重建;轻量化;智能巡检