申请/专利权人:安徽工程大学
申请日:2022-06-20
公开(公告)日:2022-09-20
公开(公告)号:CN115082855A
主分类号:G06V20/52
分类号:G06V20/52;G06V10/82;G06V10/80;G06V10/44;G06N3/04;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.10.11#实质审查的生效;2022.09.20#公开
摘要:本发明涉及一种基于改进YOLOX算法的行人遮挡检测方法,包括:获取行人遮挡数据集,分为训练集、验证集和测试集;构建YOLOX网络模型;将YOLOX网络模型的主干特征网络融合改进的CBAM模块,加入ASFF自适应特征融合机制模块,得到改进后的YOLOX网络模型;将融合后的特征图通过不同尺寸的YOLO检测头对训练集图像中目标的位置和类别进行预测,得到预测结果,利用损失函数训练改进后的YOLOX网络模型;将验证集输入改进后的YOLOX网络模型中,通过实验训练得到最优权重,对测试集中的图片进行测试,获得最终的检测结果。本发明将YOLOX算法应用到行人遮挡检测中,在原来的特征提取网络上,增加改进的CBAM模块,来增强特征图中的特征,从而得到更有用的特征,能够更好的识别出行人。
主权项:1.一种基于改进YOLOX算法的行人遮挡检测方法,其特征在于:该方法包括下列顺序的步骤:1获取行人遮挡数据集,对获取的行人遮挡数据集中的数据进行数据增强处理,再将行人遮挡数据集分为训练集、验证集和测试集;2构建YOLOX网络模型;3将YOLOX网络模型的主干特征网络融合改进的CBAM模块,得到融合后的YOLOX网络模型,将训练集输入融合后的YOLOX网络模型进行特征提取,得到提取的特征,在融合后的YOLOX网络模型的基础上加入ASFF自适应特征融合机制模块,得到改进后的YOLOX网络模型,将提取的特征的权重参数输入改进后的YOLOX网络模型,改进后的YOLOX网络模型对提取的特征进行学习,得到融合后的特征图,将训练集输入改进后的YOLOX网络模型中训练;4将融合后的特征图通过不同尺寸的YOLO检测头来对训练集图像中目标位置和类别进行预测,得到预测结果,利用损失函数训练改进后的YOLOX网络模型;5将验证集输入改进后的YOLOX网络模型中,通过实验训练得到最优权重,对测试集中的图片进行测试,获得最终的检测结果。
全文数据:
权利要求:
百度查询: 安徽工程大学 基于改进YOLOX算法的行人遮挡检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。