申请/专利权人：南京理工大学

申请日：2024-01-09

公开（公告）日：2024-04-09

公开（公告）号：CN117853709A

主分类号：G06V10/25

分类号：G06V10/25;G06V10/82;G06N3/0464;G06V10/774;G06V10/776;G06N3/084;G06N3/08;G06V20/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种基于改进YOLOv7‑tiny模型的多尺度运动目标检测方法，首次提出了一个新的ODM模块，得到了新的特征提取网络，利用多维注意力机制和曲线平滑非单调的激活函数提高特征提取能力，另外设计了一种基于注意力机制的双向特征融合策略，通过信息双向流动和注意力感知，有效融合模型不同层次特征，增强模型对多尺度物体特征的感知与捕捉能力，并使用WIoU损失函数以平衡高低质量样本，减少模型预测偏差、提高泛化能力。

主权项：1.一种基于改进YOLOv7-tiny模型的多尺度运动目标检测方法，其特征在于，步骤如下：步骤S1、以监控视角拍摄行人车辆视频，对视频进行抽帧率处理获得图像数据集，并标注图像，格式设置为yolo，得到自制行人车辆数据集，转入步骤S2；步骤S2、对COCO数据集进行类别过滤，保留只有行人和车辆类别的图片及标签数据，并将标签格式转换为yolo，得到过滤后的COCO数据集，转入步骤S3；步骤S3、将自制行人车辆数据集与过滤后的COCO数据集融合，得到融合数据集；所述融合数据集共有七类目标，类别名称分别为person、car、truck、train、motorcycle、bicycle、bus，将融合数据集按照8:1:1的比例划分为训练集、验证集和测试集，转入步骤S4；步骤S4、设计改进后的YOLOv7-tiny模型，转入步骤S5；步骤S5、将训练集送入改进后的YOLOv7-tiny模型进行训练，得到训练后的YOLOv7-tiny模型，转入步骤S6；步骤S6、采用WIoU梯度增益分配策略，将优化后模型的预测结果和融合数据集中的真实标签计算交叉熵损失，通过反向传播与参数更新得到优化后的YOLOv7-tiny模型，转入步骤S7；步骤S7、将融合数据集的验证集输入优化后的YOLOv7-tiny模型，得到较优的模型结果与优化后的YOLOv7-tiny模型精度，实现目标检测。

全文数据：

权利要求：

百度查询： 南京理工大学 基于改进YOLOv7-tiny模型的多尺度运动目标检测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD