安全检查图像中改进的 YOLOv8 检测算法
该研究介绍了一种创新的安全增强方法,利用先进的图像分析和软计算技术。研究重点是一种智能监控系统,通过分析服装来检测受限区域内的未经授权者。基于 YOLOv8 的先进目标检测算法,我们的系统在闭路电视录像中基于服装识别授权人员。方法包括在详尽的统一模式数据集上训练 YOLOv8 模型,以确保在特定区域内进行精确识别。软计算技术增强了对动态环境和光照变化的适应性。该研究对图像分析和软计算做出了贡献,提供了一个复杂的安全解决方案。强调基于服装的异常检测,为受限区域的强大安全系统奠定了基础。研究结果凸显了基于 YOLOv8 的监控在确保敏感地点安全方面的潜力。
Mar, 2024
本文提出了一种改进的基于深度神经网络的自动化 X 射线图像检测方法,通过使用更高效的框和修改默认 NMS 算法实现更准确的物体检测,突显了大数据分析在提高公共安全方面的潜力。
May, 2023
本文综合分析了 YOLO 实时目标检测系统的发展历程及其每个版本的创新和贡献,从原版 YOLO 到 YOLOv8,涵盖了标准度量和后处理、网络架构和训练技巧等方面,总结了 YOLO 发展的重要经验和展望其未来,强调提高实时目标检测系统的潜在研究方向。
Apr, 2023
利用全局稳定优化 YOLO 模型 (GSO-YOLO) 解决复杂施工环境中的安全问题,并通过整合全局优化模块 (GOM) 和稳定捕获模块 (SCM) 以提高全局上下文信息的捕获和检测稳定性,以及创新的 AIoU 损失函数来提高检测精度和效率。实验结果表明,GSO-YOLO 在 SODA、MOCS 和 CIS 等数据集上表现优于现有方法,达到了 SOTA 水平。
Jul, 2024
本篇论文探讨了基于 YOLOX 算法的 DecIoU 边界框回归损失函数和 Push Loss 用于改进路面物体检测问题,并且通过采用动态锚箱机制提升了检测精度,实验在 KITTI 数据集上证明了该方法的有效性。
Feb, 2023
自动检测安全围栏损坏的方法是使用自主机器人进行对象监测,通过优化的 YOLOv5 模型,我们实现了相对于基准线的 6.9% 平均精确度提升,并展示了模型的实时性能。
Nov, 2023
通过消除非极大值抑制(NMS)的依赖性和综合优化 YOLOs 的各个组件,本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10,其在性能和效率方面均取得了最新的成果。
May, 2024
通过监测车辆速度来实现交通安全,本研究集中在对象识别与车辆速度估计的监督学习应用,针对孟加拉国特定的交通条件和安全问题,提出了一种高效可行的解决方案,这项工作对该领域做出了显著贡献。
Jun, 2024
YOLO 是一种新的目标检测方法,使用单个神经网络从完整图像中直接预测边界框和类别概率,具有实时处理速度、误检低和物体的通用表示等优势。
Jun, 2015
通过结合相关滤波器和交并比(IOU)约束的人物追踪系统,以及基于 YOLOv5 的深度学习模型进行跨摄像头人员再识别,快速实时跟踪嫌疑人,适用于安全监控应用。
Sep, 2023