摘要
بالنظر إلى مشكلة تدني دقة الكشف الناتجة عن ازدحام المشاة وتداخلهم في المشاهد الطبيعية المعقدة، تم اقتراح خوارزمية كشف مشاة مكتظة تعتمد على YOLOv7 مع تحسين الأوزان. أولاً، لمشكلة استخراج ميزات المشاة المتداخلين، تم استخدام آلية الانتباه متعددة المقاييس عبر الفضاء (وحدة انتباه متعددة المقاييس فعالة مع التعلم العبر فضائي، EMA) لإعادة توزيع أوزان الشبكة الأساسية، وتعلم العلاقة بين ميزات القنوات المختلفة عبر الأبعاد لتعزيز تركيز النموذج على مناطق الهدف المرئية. ثانياً، لمشكلة التعقيد العالي لنموذج الكشف، تم تصميم وحدة اتصال خفيفة وفعالة (وحدة اتصال خفيفة فعالة، ELCM) بهدف تعزيز قدرة التعبير عن النموذج مع تسريع التدريب. أخيراً، تم بناء دالة خسارة إطار الحدود المركزة Focal-SIoU loss، حيث تركز هذه الدالة على كبح العينات منخفضة الجودة، وأضيف إليها خسارة الزاوية لتحسين دقة الكشف للنموذج. أظهرت النتائج التجريبية أن الخوارزمية المقترحة حققت متوسط دقة متوسطة 83.7% و 82.6% على مجموعتي بيانات الكشف عن المشاة Wider-Person وCrowd Human، مقارنة مع خوارزميات متقدمة أخرى، مما يوفر ميزة كشف كبيرة في مهام كشف الحشود المكتظة.
关键词
كشف المشاة المكتظ؛ تحسين الأوزان؛ دالة خسارة إطار الحدود المركزة؛ YOLOv7
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website