De vez en cuando se producen incidentes de seguridad en los campus, que afectan gravemente a la seguridad pública. En los últimos años, el rápido desarrollo de la inteligencia artificial ha aportado apoyo técnico a la seguridad inteligente de los campus. Con el fin de reconocer y localizar rápidamente los objetivos peligrosos en el campus, se propone un modelo YOLOv3-Tiny mejorado para la detección de objetivos peligrosos. Dado que la mayor ventaja de este modelo es que puede alcanzar una mayor precisión con muy pocos parámetros que YOLOv3-Tiny, es uno de los modelos Tinier-YOLO. En este trabajo, los objetivos peligrosos incluyen objetos y acciones peligrosas. Las principales aportaciones de este trabajo son las siguientes: en primer lugar, la detección de objetos peligrosos y de acciones peligrosas se integra en un solo modelo, y el modelo puede lograr una mayor precisión con menos parámetros. En segundo lugar, para resolver el problema de la insuficiencia de la detección de objetivos de YOLOv3-Tiny, se propone una estructura de aprendizaje repetitivo por saltos (JRL), combinada con la agrupación de pirámides espaciales (SPP), que sirve como nueva red troncal de YOLOv3-Tiny y puede acelerar la velocidad de extracción de características al tiempo que integra características de diferentes escalas. Por último, el algoritmo soft-NMS y DIoU-NMS se combinan para reducir eficazmente la detección perdida cuando dos objetivos están demasiado cerca. Las pruebas experimentales realizadas con conjuntos de datos propios de objetivos peligrosos muestran que el valor medio del MAP del algoritmo JRL-YOLO es del 85,03%, lo que aumenta en un 3,22% en comparación con YOLOv3-Tiny. En el conjunto de datos VOC2007, el método propuesto tiene un aumento del 9,29% en la precisión de detección en comparación con el que utiliza YOLOv3-Tiny y un aumento del 2,38% en comparación con el que emplea YOLOv4-Tiny, respectivamente. Todos estos resultados evidencian la gran mejora en la precisión de la detección que aporta el método propuesto. Además, al probar el conjunto de datos de objetivos peligrosos, el tamaño del modelo de JRL-YOLO es de 5,84 M, que es aproximadamente una quinta parte del tamaño de YOLOv3-Tiny (33,1 M) y un tercio del tamaño de YOLOv4-Tiny (22,4 M), por separado.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Síntesis de nanopolvos de hidroxiapatita con una tasa de reabsorción programada
Artículo:
Microencapsulación y nanoencapsulación de tejidos de mezclilla con extractos herbales
Artículo:
Método de calibración para cámara catadióptrica central utilizando múltiples grupos de líneas paralelas y sus propiedades
Artículo:
Desempeño de la fermentación de una cepa recombinante floculante de Saccharomyces cerevisae consumidora de lactosa
Artículo:
Aplicación y análisis clínico de la plataforma de monitorización remota de la frecuencia cardiaca fetal en imágenes de monitorización continua de la frecuencia cardiaca fetal
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Importancia, manejo y control de extraíbles e incrustaciones (pitch) en la fabricación de papel
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Libro:
Planta de tratamiento de aguas residuales