针对乒乓球目标检测方法易受环境、光线、速度等多种因素干扰导致精度和实时性不佳的问题,提出了一种基于YOLOv5s框架的轻量化乒乓球目标检测算法——SYOLO5(Shuffle-YOLOv5s)。首先,采用改进的ShuffleNetV2网络单元组合重构YOLOv5s主...针对乒乓球目标检测方法易受环境、光线、速度等多种因素干扰导致精度和实时性不佳的问题,提出了一种基于YOLOv5s框架的轻量化乒乓球目标检测算法——SYOLO5(Shuffle-YOLOv5s)。首先,采用改进的ShuffleNetV2网络单元组合重构YOLOv5s主干网络,提高特征提取速度;其次,在特征融合的过程中引入高效通道注意力(ECA)机制,有效提升模型的检测性能;接着,采用SIoU Loss(S-Intersection over Union)作为定位损失函数提升网络的收敛速度和定位精度;最后,贴合乒乓球小尺寸的特点,采用双尺度目标检测,进一步提高模型推理速度。实验结果表明,所提算法与YOLOv5s相比,参数量和计算量分别减少了80%和60%,精确率提升了1.9个百分点。展开更多
在自然场景中,天气情况、光照强度、背景干扰等问题影响火焰检测的准确性.为了实现复杂场景下实时准确的火焰检测,在目标检测网络YOLOv5的基础上,结合Focal Loss焦点损失函数、CIoU(Complete Intersection over Union)损失函数与多特征...在自然场景中,天气情况、光照强度、背景干扰等问题影响火焰检测的准确性.为了实现复杂场景下实时准确的火焰检测,在目标检测网络YOLOv5的基础上,结合Focal Loss焦点损失函数、CIoU(Complete Intersection over Union)损失函数与多特征融合,提出实时高效的火焰检测方法.为了缓解正负样本不均衡问题,并充分利用困难样本的信息,引入焦点损失函数,同时结合火焰静态特征和动态特征,设计多特征融合方法,达到剔除误报火焰的目的.针对国内外缺乏火焰数据集的问题,构建大规模、高质量的十万量级火焰数据集(http://www.yongxu.org/data bases.html).实验表明,文中方法在准确率、速度、精度和泛化能力等方面均有明显提升,同时降低误报率.展开更多
光刻热点检测是实现集成电路可制造性设计,保障集成电路芯片最终良率的关键。鉴于传统基于深度学习的光刻热点检测方法难以满足先进集成电路制造对检测精度的要求,提出了一种基于改进Yolov5s的检测算法,用于光刻版图热点缺陷的精确检测...光刻热点检测是实现集成电路可制造性设计,保障集成电路芯片最终良率的关键。鉴于传统基于深度学习的光刻热点检测方法难以满足先进集成电路制造对检测精度的要求,提出了一种基于改进Yolov5s的检测算法,用于光刻版图热点缺陷的精确检测。通过将坐标注意力机制引入骨干网络,提高了Yolov5s模型对版图图形区域的关注度,进而极大地改善了基于Yolov5s的检测算法的光刻热点检测性能。与此同时,采用Sigmoid线性单元激活函数进一步完善整个神经网络的非线性表达,利用Scylla交并比损失函数更快速地定量评估边界框回归损失,提高了热点检测算法的收敛速度和精度。将ICCAD(The International Conference on Computer-Aided Design)2012竞赛基准、经光学邻近校正优化后的光刻图形作为数据集对所提算法开展性能测试实验,验证了热点检测算法的优异检测精度。实验结果表明,该算法的平均准确率、平均召回率、平均F1-score和均值平均精度分别达到97.7%、98.0%、97.8%和98.4%,显著优于其他光刻热点检测算法,展示了良好的应用前景。展开更多
文摘针对乒乓球目标检测方法易受环境、光线、速度等多种因素干扰导致精度和实时性不佳的问题,提出了一种基于YOLOv5s框架的轻量化乒乓球目标检测算法——SYOLO5(Shuffle-YOLOv5s)。首先,采用改进的ShuffleNetV2网络单元组合重构YOLOv5s主干网络,提高特征提取速度;其次,在特征融合的过程中引入高效通道注意力(ECA)机制,有效提升模型的检测性能;接着,采用SIoU Loss(S-Intersection over Union)作为定位损失函数提升网络的收敛速度和定位精度;最后,贴合乒乓球小尺寸的特点,采用双尺度目标检测,进一步提高模型推理速度。实验结果表明,所提算法与YOLOv5s相比,参数量和计算量分别减少了80%和60%,精确率提升了1.9个百分点。
文摘光刻热点检测是实现集成电路可制造性设计,保障集成电路芯片最终良率的关键。鉴于传统基于深度学习的光刻热点检测方法难以满足先进集成电路制造对检测精度的要求,提出了一种基于改进Yolov5s的检测算法,用于光刻版图热点缺陷的精确检测。通过将坐标注意力机制引入骨干网络,提高了Yolov5s模型对版图图形区域的关注度,进而极大地改善了基于Yolov5s的检测算法的光刻热点检测性能。与此同时,采用Sigmoid线性单元激活函数进一步完善整个神经网络的非线性表达,利用Scylla交并比损失函数更快速地定量评估边界框回归损失,提高了热点检测算法的收敛速度和精度。将ICCAD(The International Conference on Computer-Aided Design)2012竞赛基准、经光学邻近校正优化后的光刻图形作为数据集对所提算法开展性能测试实验,验证了热点检测算法的优异检测精度。实验结果表明,该算法的平均准确率、平均召回率、平均F1-score和均值平均精度分别达到97.7%、98.0%、97.8%和98.4%,显著优于其他光刻热点检测算法,展示了良好的应用前景。
