龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：三峡大学
申请日：2024-01-15
公开（公告）日：2024-05-10
公开（公告）号：CN118015253A
主分类号：G06V10/25
分类号：G06V10/25;G06V10/82;G06N3/0464;G06V10/774;G06V10/44;G06V10/80;G06N3/084;G06V10/764
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.05.28#实质审查的生效;2024.05.10#公开
摘要：一种基于YOLOv7‑tiny的高效实时目标检测方法，该方法通过对网络结构的优化，基于CBAM注意力机制设计新的模块来优化主干特征提取网络，使用轻量化卷积模块GhostConv来优化多尺度特征融合网络，采用无锚框的形式改进检测头，以提升检测速度，实现高性能与实时性的平衡。在训练过程中，图像输入模型后，通过优化后的主干特征提取网络提取待检测目标的特征，将提取的特征送入优化后的多尺度特征融合网络中进行特征融合，无锚框的检测头根据融合结果得出检测结果。本申请通过改进YOLOv7‑tiny算法，使其在保持较高检测速度的情况下，大幅提高其精度。与高精度的网络相比，本申请在保持高精度的前提下,大大降低了网络的参数量，使其能够在算力较低的设备上实现高效实时的目标检测。
主权项：1.一种基于YOLOv7-tiny的高效实时目标检测方法，其特征在于：包括如下步骤：步骤1：对输入的N张图片应用多种数据增强技术，以扩充训练数据和增强模型鲁棒性，同时使用自适应尺寸缩放技术来减少每张图片的检测时间；步骤2：使用基于CBAM注意力机制设计的新模块优化YOLOv7-tiny主干特征提取网络对输入图片进行特征提取，得到三个初级特征层；步骤3：将三个初级特征层送入使用GhostConv模块优化的多尺度特征融合网络，自顶向下提取更高层次的特征，再自底向上融合不同层次的特征，最终输出三个高质量的融合特征层；步骤4：将三个高质量的融合特征层传入无锚框的检测头，产生预测结果，并使用该预测结果与所分配的样本标签进行损失函数计算，通过梯度下降算法，反向传播算法来优化模型中的参数，通过不断迭代训练，当损失函数的计算值到达收敛状态时，结束训练；采用以上步骤获得基于YOLOv7-tiny的高效实时目标检测模型并对目标进行目标检测。
全文数据：
权利要求：
百度查询： 三峡大学 一种基于YOLOv7-tiny的高效实时目标检测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号