一种基于聚类特征的Faster R-CNN粮仓害虫检测方法.docx
快乐****蜜蜂
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于聚类特征的Faster R-CNN粮仓害虫检测方法.docx
一种基于聚类特征的FasterR-CNN粮仓害虫检测方法标题:基于聚类特征的FasterR-CNN算法在粮仓害虫检测中的应用摘要:粮仓害虫检测是农业生产中的重要环节,传统的人工检测方法耗时耗力且不够准确。本文提出了一种基于聚类特征的FasterR-CNN算法,在粮仓害虫检测中取得了良好的效果。该方法借助FasterR-CNN的强大目标检测能力,通过提取聚类特征对粮仓害虫进行准确快速的检测。实验结果表明,该方法在粮仓害虫检测中具有较高的准确率和鲁棒性,可以在粮仓管理中发挥重要作用。1.引言粮食作为人类基本生
基于聚类与Faster RCNN的行人头部检测算法.docx
基于聚类与FasterRCNN的行人头部检测算法基于聚类与FasterRCNN的行人头部检测算法摘要:行人头部检测是计算机视觉领域中一个重要的研究方向,对于很多实际应用具有重要意义。本论文提出了一种基于聚类与FasterRCNN的行人头部检测算法。首先,利用聚类算法对输入图像进行处理,将图像中的行人头部聚类为不同的类别。然后,利用FasterRCNN算法对每个聚类得到的行人头部进行检测。实验证明,该算法能够有效地实现行人头部的准确检测。关键词:行人头部检测、聚类、FasterRCNN1.引言行人头部检测是
一种基于改进Faster RCNN的目标检测方法.pdf
本发明属于目标识别的技术领域,公开了一种基于改进FasterRCNN的目标检测方法,包括步骤一、将待检图像输入融合注意力机制模块的主干网络,得到不同尺度的初始特征图,再将不同尺度的所述初始特征图输入改进的FPN网络进行深层特征和浅层特征的融合,输出不同尺度的最终特征图;步骤二、利用RPN网络提取不同尺度的最终特征图中的感兴趣区域,再将感兴趣区域通过ROIAlign层映射到不同尺度的最终特征图上,并转化成统一大小,以获取固定尺寸的特征矩阵;步骤三、将所述特征矩阵拉直后输入全连接层,对目标位置进行回归,并用
基于TSD-Faster RCNN的农作物害虫检测方法及其网络.pdf
本发明公开了一种基于TSD‑FasterRCNN的农作物害虫检测方法及其网络,方法包括以下步骤:S1:将农作物害虫检测图像输入到主干网络以生成图像的特征图;S2:将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R‑CNN中;S3:在区域提案网络RPN中,使用结构感知距离TSD计算预测锚框和真实锚框的相似度,使用分段结构感知损失函数TSDLoss计算回归损失,RPN返回粗糙的候选框至R‑CNN中;S4:使用R‑CNN将所有候选框修改为相同大小,候选框被传递到全连接层以对对象进行
基于改进的Faster RCNN的行人检测方法.pdf
本发明公开了基于改进的FasterRCNN的行人检测方法,首先通过ResNet‑50神经网络提取样本图像的特征图,然后将所得特征图输入RPN模型,并修改了RPN模型的边框回归损失函数,生成候选框;最后将特征图和候选框发送到ROIHead模型,得到目标的类别和定位。本发明基于CNN特征,不仅可以处理任意尺度的图像,而且检测精度较高。相比已公开发明专利,本发明所公开的方法并不需要对网络进行特殊的设计,只需修改RPN模型的边框回归损失函数,充分利用了已有的可用数据,采用通用的网络结构仍旧可以达到不错的实验效