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:
Simulación y validación experimental del proceso de estampado en caliente de microestructuras de poli(ácido láctico-co-glicólico)
Artículo:
Mejora de la precisión en el sistema inmunosensor de flujo mediante la introducción de poli-2-[3-(metacriloilamino)propilamonio]etil 3-aminopropil fosfato
Artículo:
Caracterización no lineal en tiempo real de las propiedades mecánicas de los tejidos blandos
Artículo:
Obtención y evaluación de matrices hidrofílicas para liberación prolongada de metformina
Artículo:
Estudio sobre la influencia del diseño del frontal del monovolumen y la velocidad de impacto en la cinemática del tórax de los peatones y el riesgo de lesiones
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
Estudio sobre la migración global de materiales plásticos de empaque usados en la industria de alimentos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Guía:
Manual de operaciones de destilación