多目标检测：基于YoloV4优化的多目标检测（附论文下载）

最新推荐文章于 2024-05-24 13:22:06 发布
最新推荐文章于 2024-05-24 13:22:06 发布
阅读量5.7k 收藏 19
点赞数 2
文章标签： 卷积 算法 神经网络 计算机视觉 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gzq0723/article/details/120662645
版权

关注并星标

从此不迷路

计算机视觉研究院

47c124420802a2b24cc9bda1ffe562e8.gif

db96b22879351febb90579f0a81c6eb0.gif

22c9cb3c76c2bd09fb80f6c59310910b.png

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

00496bdf680bf664106b14f76f064a64.png

计算机视觉研究院专栏

作者：Edison_G

为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种新的目标检测方法。

一、前言

为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 多目标检测作为目标检测领域的一个重要研究方向，一直受到研究人员的广泛关注。目前，在智能交通、智能辅助驾驶和视频监控等领域已经产生了深入的研究。

58d5d75142604b99b7534b80951d729e.png

传统的行人检测方法，如HOG（定向梯度直方图）、DPM（可变形部件模型）、ACF（聚合通道特征），都采用人工设计或特征聚合来获取行人特征。随着2012年AlexNet在图像分类任务上的重大突破，利用卷积神经网络自动学习特征提取过程代替传统的人工设计是当前的主要研究方向。基于卷积神经网络的目标检测方法主要分为两类，一类是两阶段方法，一类是单阶段方法。

e6c6eb07ad5294231fea022009a746c9.png

第一种方法的主要思想是在生成候选目标区域的基础上，利用级联方法进一步判断边界框的类别和位置。另一种是单阶段方法，以YOLO和SSD为例。思路是使用卷积神经网络直接返回位置和类别。卷积神经网络的引入提高了行人检测算法的性能，但遮挡问题仍然是行人检测的一大难点。有文献【Deep learning strong parts for pedestrian detection】使用联合学习方法对不同的行人遮挡模式进行建模，但其检测框架复杂且无法穷尽所有情况。【Repulsion Loss: Detecting Pedestrians in a Crowd】设计了一种新的损失函数，使预测帧与目标真实帧保持接近，同时远离其他真实帧。这种方法处理遮挡更灵活，更容易实现。【Occlusion-aware R-CNN: Detecting Pedestrians in a Crowd】结合了上述两种思想，提出了一个组件遮挡感知单元和一个聚合损失函数来处理行人遮挡问题。【Bi-box Regression for Pedestrian Detection and Occlusion Estimation】通过引入新的监督信息（行人可见区域的边界框）来处理遮挡，思路是用两个分支网络分别返回行人的全身框架和可见区域的边界框，最后合并两个分支的结果，提高检测性能。

a94b34a9b8727aaca039a50263c541f8.png

目前目标检测任务主要针对不同的应用场景选择合适的检测算法：单阶段算法检测速度最快，但准确率较低；两阶段和多阶段检测算法可以获得更高的检测精度，但以牺牲检测速度为代价。

二、概要

今天分享的框架，新的方法基于YOLOv4。 高层特征的语义信息首先通过FPN采样传播到低层网络，然后与底层特征的高分辨率信息融合，以提高小目标检测对象的检测效果。 通过对特征金字塔进行下采样来增强从底部到顶部的信息传递路径，最后融合不同层的特征图以实现相关预测。 实验证明，新提出的方法具有良好的效果。

三、新框架

fa37638d506f19e7be1eb2a4c67ce763.png

新的模型架构如上图所示。它由三部分组成：用于特征提取的前端网络、特征融合模块和用于分类和回归操作的检测模块。在输入处将输入图像的尺寸resize为416×416，输入到网络中进行训练和检测。 基本卷积块是一个卷积层，它结合了批量归一化 (BN) 并使用Mish和leakyRelu激活函数。

模型前端使用CSPDarknet模块组成的主干网络，由卷积层和残差模块叠加，有效防止在网络层数加深的基础上梯度消失或爆炸，获得更丰富的语义信息特征图，并且在主干网络中，特征图维度的减少是通过卷积层的5倍下采样实现的，其步长为2，内核大小为3；对网络neck处进行2次上采样，浅层采用PAN+SPP模型结构实现浅层特征与高层语义特征的融合以及多尺度感受野的融合，充分利用了浅层网络，改善小目标特征丢失的问题；检测头采用回归+分类的思想，将输入图像分别划分为76×76、38×38、19×19三种不同尺寸的网格图像，分别实现小目标、中目标和大目标的检测目标。

SPP模块：

该模型在主干网络后面添加了SPP模块，如下图所示。输入特征图经过一个卷积层后，经过5×5、9×9、13×13三个核进行最大池化， 然后concat得到的特征图进行通道拼接，输出通道数变成原来通道数的4倍，特征图大小保持不变。

93a3c13a3a2e3ac0b5c0dc8474ad2882.png

输出特征图大小为：

09451f57a344db8053e08c3e386a5c16.png

其中n是输入特征图的大小，p是padding，s是步长，这意味着向下取整。SPP模块通过使用不同大小核的Maxpool层获取特征图局部区域的感受野信息和接近全局的感受野，并进行特征融合。这种融合不同尺度感受野的操作可以有效丰富特征图的表达能力，增强骨干网络输出特征的接受范围，分离重要的上下文信息。

四、实验及可视化

703041e50a5f1e3a1e2ff18588766176.png

67b84832686e1d9cfce48b2b51ccfb26.png

© THE END 

转载请联系本公众号获得授权

294ce08220edfdd326a7e8d126c0a6fd.gif

计算机视觉研究院学习群等你加入！

计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

35f7f0fea652b469dd6a830885f8ad64.png

扫码关注

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

 往期推荐 

🔗

计算机视觉研究院
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
计算机毕业设计：基于YOLOv8-DeepSORT实现的智能车辆目标检测系统(源码+说明)，保证可靠运行，赠计算机答辩PPT模板
03-16
《计算机毕业设计：基于YOLOv8-DeepSORT实现的智能车辆目标检测系统》是一项结合深度学习技术和计算机视觉算法的综合性计算机毕业设计项目。该项目旨在利用先进的YOLOv8目标检测算法和DeepSORT多目标跟踪算法，实现...
目标检测精度提升之奇技淫巧
年轻即出发，
02-15 1万+
论文：Bag of Freebies for Training Object Detection Neural Networks Github:https://github.com/dmlc/gluon-cv 论文主要整合了一些常用的目标检测方面，对精度有提升的技巧。文章使用了yolo-v3和faster rcnn进行了实验。最终， yolo-v3，精度提升4.0% fa...
快速多目标检测——YOLO9000
热门推荐
shuzfan的专栏
01-04 2万+
本次介绍一篇有关快速目标检测的文章《YOLO9000: Better, Faster, Stronger》。该方法记作YOLOv2，相比v1除了在性能上有所提升之外，更是在速度上令人惊异。项目主页：http://pjreddie.com/darknet/yolo/ —————————— Introduction —————————— 通用的目标检测不但要够快够准，还要能够检测多类的目标。但实际情
深度学习之基于YOLOv5多目标检测系统
最新发布
2301_79810943的博客
05-24 369
一、项目背景在现代社会中，多目标检测系统在视频监控、自动驾驶、医疗图像分析等领域发挥着越来越重要的作用。随着深度学习技术的快速发展，基于深度学习的目标检测算法成为了研究的热点。YOLOv5作为一种高效的目标检测算法，凭借其快速、准确的特点，已经在多个领域得到了广泛的应用。本项目旨在利用YOLOv5算法，构建一个高效、准确的多目标检测系统。二、项目目标本项目的主要目标是构建一个基于YOLOv5的多目标检测系统，该系统应具有以下特点：高效性：在保证高精度的前提下，实现快速的目标检测，满足实时性要求。
揭秘多目标检测算法：智慧之眼，洞察万物
huanfeng_AI的博客
05-10 449
随着科技的飞速发展，计算机视觉领域的技术日新月异，多目标检测算法作为其中的重要分支，已经广泛应用于智能监控、自动驾驶、物体识别等众多领域。本文将深入探讨多目标检测算法的原理、应用及其未来发展，揭示其如何成为现代科技的“智慧之眼”，洞察万物。一、引言多目标检测算法是计算机视觉领域中的一项重要技术，它能够在图像或视频中同时检测出多个目标，并标注它们的位置和类别。随着深度学习技术的不断发展，多目标检测算法的性能得到了显著提升，已经成为现代科技不可或缺的一部分。
yolov4论文解析
weixin_44711102的博客
11-12 1476
由于yolov3作者退出yolo算法更新，但并没有停止对yolo的改进。2020年yolov4发出，并得到原作者的肯定。yolov4论文中做了非常多的消融实验进行对比，使用很多的训练策略，在精度上面对比yolov3有比较大的提升。首先来看一下yolov4在coco数据集上的AP值，保证了速度的同时，提到了进度。对比yolov3提升了接近10%的AP值，可以看出yolov4的效果是非常的不错，而对比efficientDet虽然精度低，但是在速度上远超过它，能够达到实时检测的效果。
多目标检测
lijf2001的博客
07-24 3573
这是最简单的情形，只需要判定一张图片是属于哪一个类别即可。这种图像往往有一个非常显著的特殊，就是图像主体清晰且突出。但是日常生活中这类图像并不多，更多的是一张图片中包含了多个主体，此时单纯的目标分类就无法满足了，需要使用多目标检测。...
Pytorch基础知识（8）多目标检测
weixin_43229348的博客
07-12 2958
目标检测是对图像中存在的目标进行定位和分类的过程。识别出的物体在图像中显示为边界框。一般的目标检测有两种方法：基于区域提议的和基于回归/分类的。在本章中，我们将使用一个名为YOLO的基于回归/分类的方法。YOLO-v3是该系列的其中一个版本，在精度方面比以前的（YOLOV1、YOLOV2)版本表现更好。因此，本章将重点介绍使用PyTorch开发的Yolo-v3。 在本章中，我们将学习如何实现YOLO-v3算法，并使用PyTorch训练和部署它。 我们将介绍以下内容： 创建数据集 构建YOLOV3模型 定义
多目标检测：基于Yolo优化的多目标检测（附论文下载）
gzq0723的博客
05-10 699
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种新的目标检测方法。一、前言为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 多目标检测作...
基于YOLOv5的火灾检测
05-28
4. **联合训练**：YOLOv5支持多尺度训练，即联合训练不同大小的网络，以提高小目标检测性能。 5. **优化的损失函数**：使用了GIOU（Generalized IoU）损失函数，优化了边界框的定位。 对于火灾检测的应用，YOLOv5...
毕业设计：基于 yolov3 的口罩检测系统源码.zip
07-09
标题中的“基于yolov3的口罩检测系统”是指利用深度学习模型YOLOv3（You Only Look Once的第三版）来实现口罩检测的应用。YOLOv3是一种实时目标检测算法，它在图像识别和物体定位方面表现出色，尤其适合于实时应用，...
基于yolov5的戴口罩检测系统
06-02
**基于Yolov5的戴口罩检测系统** Yolov5是一种先进的目标检测框架，尤其在实时检测任务中表现出色。这个系统专注于检测图像中的人物是否佩戴口罩，这对于当前公共卫生环境具有重要意义。在这个项目中，开发者利用...
YOLOv7目标检测论文解读与推理演示
04-23
根据论文，YOLOv7是迄今为止最快的实时目标检测器，平均精度（AP）高达56.8%，这是所有已知目标检测器中最高的。其模型运行速度范围在5到160帧每秒（FPS），使得它在实时应用中极具竞争力。 YOLO系列的架构基于全...
YOLOv4 文献翻译阅读及拓展阅读（附拓展文献下载链接）
淋曦的进击手记
04-25 1724
先看看效果对比 YOLOv4 的运行速度是 EfficientDet 的两倍。使 YOLOv3 的 AP 和 FPS 分别提高 10%10\%10% 和 12%12\%12%，达到 43.5％43.5％43.5％ AP 和 656565 FPS。 一、概览 论文地址：https://arxiv.org/abs/2004.10934 源码地址：https://github.com/AlexeyA...
2021CVPR多目标检测：Multiple Object Tracking with Correlation Learning
DFS的博客
09-22 4223
论文分享 2021CVPR基于相关学习的多目标检测：Multiple Object Tracking with Correlation Learning 摘要 当前卷积网络通过学习检测和外观特征，极大的提高了多目标跟踪的性能，但是由于卷积网络本身的局限性，无法有效的获得空间和时间的长期依赖关系，基于空间布局，作者提出了利用局部相关模块来建模目标与其周围环境之间的拓扑关系，用来加强模型在拥挤场景中的识别能力，具体的方式就是建立每个空间位置与其环境的密集对应关系，并通过自我监督学习明确地约束相关体积，现有的方式
基于Yolov4的人群检测，人群距离估计、基于SORT的多目标跟踪及逆透视映射一体的系统Yolov4_DeepSocial
求真、务实
08-14 4585
参考
Multi-target detection method based on YOLOv4convolutional neural network（基于YOLOv4卷积神经网络的多目标检测方法）
知欧zhou的博客
10-19 1293
链接：Multi-target detection method based on YOLOv4 convolutional neural network Multi-target detection method based on YOLOv4 convolutional neural network 基于YOLOv4卷积神经网络的多目标检测方法 摘要：为了解决在目标检测任务中的低正确率、错误检测和小目标的高忽略率，这篇文章是一个基于YOLOv4卷积神经网络的多目标检测方法。所提出的方法基于YOLO
多目标跟踪算法 实时检测 - opencv 深度学习 机器视觉 计算机竞赛
Mr.D学长
11-04 658
🔥 优质竞赛项目系列，今天要分享的是🚩深度学习多目标跟踪 实时检测该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：4分🧿🧿。
yolov5 小目标检测层
07-28
对于 YOLOv5 中的小目标检测层，我可以给你一些简要的解释。YOLOv5 是一个基于目标检测的深度学习模型，用于实时物体检测任务。它是以 YOLO（You Only Look Once）系列为基础的最新版本。 在 YOLOv5 中，小目标检测层是为了更好地检测小尺寸目标而设计的。由于小目标通常具有较低的分辨率和较少的像素信息，传统的目标检测算法可能无法准确地识别它们。因此，在 YOLOv5 中，引入了特殊的小目标检测层，以提高对小目标的检测性能。 具体而言，小目标检测层通过采用更小的感受野和更高分辨率的特征图来处理小目标。这样可以更好地捕捉小目标的细节信息，并提高检测的准确性。此外，小目标检测层还可能采用其他技巧，如多尺度训练和数据增强等，以进一步改善对小目标的检测效果。 需要注意的是，YOLOv5 的模型结构和具体实现可能会有所不同，这里提到的小目标检测层是一种常见的优化策略，具体实现可能会因版本和配置的不同而有所差异。如果你对 YOLOv5 的具体细节感兴趣，建议查阅相关的论文和代码文档以获取更详细的信息。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

计算机视觉研究院

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值