Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "YOLOv2" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    RFID tag group recognition based on motion blur estimation and YOLOv2 improved by Gaussian algorithm
    Autorzy:
    Li, Lin
    Yu, Xiao-Lei
    Liu, Zhen-Lu
    Zhao, Zhi-Min
    Zhang, Ke
    Zhou, Shan-Hao
    Powiązania:
    https://bibliotekanauki.pl/articles/2051852.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    RFID
    YOLOv2
    neural network
    GRNN
    Opis:
    Effective recognition of tags in the dynamic measurement system would significantly improve the reading performance of the tag group, but the blurred outline and appearance of tag images captured in motion seriously limit the effectiveness of the existing tag group recognition. Thus, this paper proposes passive tag group recognition in the dynamic environment based on motion blur estimation and improved YOLOv2. Firstly, blur angles are estimated with a Gabor filter, and blur lengths are estimated through nonlinear modelling of a Generalized Regression Neural Network (GRNN). Secondly, tag recognition based on YOLOv2 improved by a Gaussian algorithm is proposed. The features of the tag group are analyzed by the Gaussian algorithm, the region of interest of the dynamic tag is effectively framed, and the tag foreground is extracted; Secondly, the data set of tag groups are trained by the end-to-end YOLOv2 algorithm for secondary screening and recognition, and finally the specific locations of tags are framed to meet the effective identification of tag groups in different scenes. A considerable number of experiments illustrate that the fusion algorithm can significantly improve recognition accuracy. Combined with the reading distance, the research presented in this paper can more accurately optimize the three-dimensional structure of the tag group, improve the reading performance of the tag group, and avoid the interference and collision of tags in the communication channel. Compared with the previous template matching algorithm, the tag group recognition ability put forward in this paper is improved by at least 13.9%, and its reading performance is improved by at least 6.2% as shown in many experiments.
    Źródło:
    Metrology and Measurement Systems; 2022, 29, 1; 53-74
    0860-8229
    Pojawia się w:
    Metrology and Measurement Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Electronic Toll Collector Framework
    Autorzy:
    Mujeeb, Abdul
    Ahmed, Nisar
    Arshed, Husnain
    Khan, Farhan Ajmal
    Powiązania:
    https://bibliotekanauki.pl/articles/2022366.pdf
    Data publikacji:
    2022
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    electronic toll collector
    TensorFlow
    Yolov2
    image classification
    analytics
    centralized system
    Opis:
    Manual toll collection systems are obsolete due to time, fuel, and pollution issues and need to be replaced by new and better alternatives. Traditionally, governments have always employed people to collect toll, but the manual labor isn’t much effective when it comes to monitoring and efficiency. We took this problem and researched out an effective solution i.e., “Electronic Toll Collector Framework” which is a framework mainly for collection and monitoring of the toll fees collected by the toll plazas in the vicinity of metropolitan cities like Lahore or Karachi. The software can generate toll tax based on vehicle type. Additionally, it can also generate daily/monthly/yearly revenue reports. The framework can serve other purposes like monitoring of vehicles (by the law enforcement agencies) and generation of analytics. It can also serve as a backbone for the government departments who are having a hard time monitoring the revenue generated by the employers. There are two operational modes of the framework (partly manual and automatic). The partly manual approach uses TensorFlow backend, and the automatic approach uses Yolov2 backend. This work will be helpful in guiding future research and practical work in this domain.
    Źródło:
    Advances in Science and Technology. Research Journal; 2022, 16, 1; 294-302
    2299-8624
    Pojawia się w:
    Advances in Science and Technology. Research Journal
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Combined YOLOv5 and HRNet for high accuracy 2D keypoint and human pose estimation
    Autorzy:
    Nguyen, Hung-Cuong
    Nguyen, Thi-Hao
    Nowak, Jakub
    Byrski, Aleksander
    Siwocha, Agnieszka
    Le, Van-Hung
    Powiązania:
    https://bibliotekanauki.pl/articles/2147147.pdf
    Data publikacji:
    2022
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    YOLOv5
    HRNet
    2D key points estimation
    2D human pose estimation
    Opis:
    Two-dimensional human pose estimation has been widely applied in real-world applications such as sports analysis, medical fall detection, human-robot interaction, with many positive results obtained utilizing Convolutional Neural Networks (CNNs). Li et al. at CVPR 2020 proposed a study in which they achieved high accuracy in estimating 2D keypoints estimation/2D human pose estimation. However, the study performed estimation only on the cropped human image data. In this research, we propose a method for automatically detecting and estimating human poses in photos using a combination of YOLOv5 + CC (Contextual Constraints) and HRNet. Our approach inherits the speed of the YOLOv5 for detecting humans and the efficiency of the HRNet for estimating 2D keypoints/2D human pose on the images. We also performed human marking on the images by bounding boxes of the Human 3.6M dataset (Protocol #1) for human detection evaluation. Our approach obtained high detection results in the image and the processing time is 55 FPS on the Human 3.6M dataset (Protocol #1). The mean error distance is 5.14 pixels on the full size of the image (1000×1002). In particular, the average results of 2D human pose estimation/2D keypoints estimation are 94.8% of PCK and 99.2% of PDJ@0.4 (head joint). The results are available.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2022, 12, 4; 281--298
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Research on Coal Gangue Detection and Recognition Based on Lightweight Network MS-YOLOV3
    Badania nad wykrywaniem i rozpoznawaniem skały płonnej w oparciu o lekką sieć MS -YOLOV3
    Autorzy:
    Li, Deyong
    Wang, Guofa
    Wang, Shuang
    Wang, Wenshan
    Du, Ming
    Powiązania:
    https://bibliotekanauki.pl/articles/2173813.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    coal gangue
    MobileNetV2
    spatial pyramid pooling
    SPP
    YOLOv3
    skała płonna
    Opis:
    The rapid and accurate detection and identification of coal gangue is one of the premises and key technologies of the intelligent separation of coal gangue, which is of considerable importance for the separation of coal gangue. Focusing on the problems in the current deep learning algorithms for the detection and recognition of coal gangue, such as large model memory and slow detection speed, a rapid detection method for lightweight coal gangue is proposed. YOLOv3 is taken as the basic structure and improved. The MobileNetv2 lightweight feature extraction network is selected to replace Darknet53 as the main network of the detection algorithm to improve the detection speed. Spatial pyramid pooling (SPP) is added after the backbone network to convert different feature maps into fixed feature maps in order to improve the positioning accuracy and detection capability of the algorithm, thereby obtaining the lightweight network MS-YOLOV3. The experimental equipment was set up and multi-condition coal and gangue datasets were constructed. The model was trained and the identification and positioning results of the model were tested under different sizes, illumination intensities and various working conditions, and compared with other algorithms. Experimental results show that the proposed algorithm can detect the coal gangue quickly and accurately, with an mAP of 99.08%, a speed of 139 fps and a memory occupation of only 9.2 M. In addition, the algorithm can effectively detect mutually stacking coal and gangue of different quantities and sizes under different lights with high confidence and with a certain degree of environmental robustness and practicability. Compared with the YOLOv3, the performance of the proposed algorithm is significantly improved. Under the premise that the accuracy is unchanged, the FPS increases by 127.9% and the memory decreases by 96.2%. Therefore, the MS-YOLOv3 algorithm has the advantages of small memory, high accuracy and fast speed, which can provide online technical support for the detection and identification of coal and gangue.
    Szybkie i dokładne wykrywanie oraz identyfikacja skały płonnej jest jedną z przesłanek i kluczowych technologii inteligentnej separacji skały płonnej. Koncentrując się na problemach związanych z obecnymi algorytmami wykrywania i rozpoznawania skały płonnej z głębokim uczeniem, takimi jak duża pamięć modelu i niska prędkość wykrywania, zaproponowano metodę szybkiego wykrywania lekkiej skały płonnej. YOLOv3 jest traktowany jako struktura podstawowa i ulepszony. Lekka sieć ekstrakcji funkcji Mobilenetv2 została wybrana w celu zastąpienia Darknet53 jako głównej sieci algorytmu wykrywania w celu poprawy szybkości wykrywania. Spatial Pyramid Pooling (SPP) jest dodawany po sieci szkieletowej w celu konwersji różnych map obiektów na mapy stałych funkcji, aby poprawić dokładność pozycjonowania i zdolność wykrywania algorytmu, uzyskując w ten sposób lekką sieć MS-YOLOV3. Ustawiono sprzęt eksperymentalny i skonstruowano wielowarunkowe zbiory danych dotyczące węgla i skały płonnej. Model został przeszkolony, a wyniki identyfikacji i pozycjonowania modelu zostały przetestowane przy różnych rozmiarach, natężeniu oświetlenia i różnych warunkach pracy oraz porównane z innymi algorytmami. Wyniki eksperymentu pokazują, że zaproponowany algorytm jest w stanie szybko i dokładnie wykryć skałę węglową, z mAP na poziomie 99,08%, szybkością 139 fps i zajęciem pamięci zaledwie 9,2 MB. Ponadto może skutecznie wykrywać różne światła, różne rozmiary, wzajemne układanie w stosy oraz wielokrotną ilość węgla i skały płonnej, z dużą pewnością i pewną odpornością środowiskową i wykonalnością. W porównaniu z YOLOv3 wydajność proponowanego algorytmu jest znacznie lepsza. Przy założeniu, że dokładność pozostaje w zasadzie niezmieniona, FPS wzrasta o 127,9%, a pamięć spada o 96,2%. Dlatego algorytm MS-YOLOv3 ma zalety małej pamięci, wysokiej dokładności i dużej szybkości, co może zapewnić wsparcie techniczne dla wykrywania i identyfikacji węgla i skały płonnej online.
    Źródło:
    Gospodarka Surowcami Mineralnymi; 2022, 38, 4; 133--152
    0860-0953
    Pojawia się w:
    Gospodarka Surowcami Mineralnymi
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Vehicle detection in surveillance videos based on YOLOv5 lightweight network
    Autorzy:
    Wang, Yurui
    Yang, Guoping
    Guo, Jingbo
    Powiązania:
    https://bibliotekanauki.pl/articles/2173728.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    YOLOv5
    MobileNetV2
    lightweight network
    vehicle detection
    lekka sieć
    detekcja pojazdu
    Opis:
    The development of surveillance video vehicle detection technology in modern intelligent transportation systems is closely related to the operation and safety of highways and urban road systems. Yet, the current object detection network structure is complex, requiring a large number of parameters and calculations, so this paper proposes a lightweight network based on YOLOv5. It can be easily deployed on video surveillance equipment even with limited performance, while ensuring real-time and accurate vehicle detection. Modified MobileNetV2 is used as the backbone feature extraction network of YOLOv5, and DSC “depthwise separable convolution” is used to replace the standard convolution in the bottleneck layer structure. The lightweight YOLOv5 is evaluated in the UA-DETRAC and BDD100k datasets. Experimental results show that this method reduces the number of parameters by 95% as compared with the original YOLOv5s and achieves a good tradeoff between precision and speed.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2022, 70, 6; art. no. e143644
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies