一研究意义:
在高楼林立的现代时代背景下,很多现代产业对高空作业的需求都有所增加。然而,高空作业现代化发展缓慢。随着发展,这一矛盾也越来越突出。无数高海拔工人在没有防护措施的情况下发生事故,造成重伤甚至死亡,而高空坠落事故多年来一直是建筑工地的“头号杀手”。基于此,应用并发展了基于深度学习的高空安全带检测方法,对高空作业人员的安全防护进行及时检测。
二.主要工作:
一.提出了一种You Only Look Once (YOLO)依赖融合注意网络(DFAN)检测算法,该算法在轻量级网络YOLOv4-tiny的基础上进行了改进.
二.优点:兼具传统轻量级网络速度快和传统重量级网络精度高的优点
三.应用场景:适用于嵌入式设备高空安全带的实时检测
四.待解决的问题:
一阶段检测算法:YOLO,SSD(不需要区域建议框,直接在整张图片上运行分类网络)
二阶段检测算法:RCNN(区域候选框+分类器)
(那么这种方法在,网络结构上有什么区别,算法实现中的主要区别是啥??)
三.创新点:
现有问题:有效像素比低的对象(yolov4 -tiny网络中实际面积与检测锚点面积之比较低的对象)特征提取的困难。
有效像素比低:是指实际面积与探测锚点面积之比较低的一类物体。
特点:在图像中分布较分散,特征不聚焦,容易与背景混淆,因此,检测网络很难提取出它们的有效特征。
在安全带检测中突出的问题:人体只占据了输入图像的一部分,高空安全带只覆盖了人体的一部分。这些问题导致传统的探测网络难以提取高空安全带的特征。
解决方法:
提出了YOLO依赖融合注意网络(DFAN)检测算法:
一.YOLOv4-tiny的轻量级骨干网络CSPDarkNet-tiny提取特征.
二.YOLODFAN引入了atrous spatial pyramid pooling network(ASPPNet)来捕获上下文信息并在多个尺度上融合它。
三.介绍注意力机制(DFAN)(采用轻量级特征提取网络,难以提取高空安全带的特征,因此,引入了注意机制来帮助检测网络提取它们的特征。)
四.引入路径聚合网络(PANet)来代替原始网络的FPN,并与DFAN融合
创新点:
Atrous Spatial Pyramid Pooling Network(ASPP):在传统的卷积层和池化层中,高空安全带图像丢失了一
些特征的上下文特征信息,降低了局部与整体空间特征之间的相关性,ASPP主要用于解决这些问题。
ASPP.png
![](https://i-blog.csdnimg.cn/blog_migrate/a9f1ed16c8f484059d3f41747affef6c.png)
编辑切换为居中
添加图片注释,不超过 140 字(可选)
一.是什么?
神经网络中优化网络训练效果的模块,是一个基于输入图像特征的动态权重调整过程。
二.有什么用?
早期,注意力模型主要用于机器翻译,现在成为cnn的重要组成部分,可以帮助网络模型预测潜在的感兴趣特征。
创新点:
Dependency Fusing Attention Network(DFAN):
DFAN.png
![](https://i-blog.csdnimg.cn/blog_migrate/930df20207f8d0b7fcac0dd5238755ba.png)
编辑切换为居中
添加图片注释,不超过 140 字(可选)
CSPDarkNet53-tiny由15个卷积层组成,由两个深度剩余卷积(CBL)单元和三个ResBlock剩余模块组成
作为主干网络,用于特征提取。
YOLOv4-tiny network structure..png
CSPDarkNet-tiny模块解决的问题:
解决了网络退化问题,同时增加了网络深度,缓解了梯度分散,使数据传输更加顺畅。
YOLOv4-tiny,参数少,只有600万,速度快,满足高空安全带检测时间的要求
但是特征提取不够丰富精细,尺度匹配范围不够多样化,
因此,提出了基于原始网络的yolov4 - dfan网络。
yolov4 - dfan.png
![](https://i-blog.csdnimg.cn/blog_migrate/f9365e3231d6469216af7fd701057341.png)
编辑切换为居中
添加图片注释,不超过 140 字(可选)
CSPDarkNet53-tiny:从图可以看出,yolov4微型网络中骨干网络的两个输出层——feat1和feat2经过FPN结构将特征信息融合后转化为预测层头部。然而,该网络的FPN结构过于简陋,仅将上采样的FEAT1层与FEAT2层融合进行堆叠。因此,这种结构导致网络对深度和浅层细节信息的整体利用不足,使其在复杂和小物体场景中检测物体无效。
YOLOv4-tiny:我们将PANet引入为多路径特征融合网络,如图所示。利用自底向上和自顶向下特征融合这两条路径,缩短了底层特征和顶层特征之间的信息路径。主要作用:增强了整个特征层次结构
实验结果:
一.YOLO-DFAN算法的准确率较原网络提高了5.13%。
二.检测速度满足实时性要求。
三.算法在Pascal voc07+12数据集上也有较好的改进。