XiaoMi-AI文件搜索系统
World File Search SystemC2F
指挥和控制设施 (C2F) 及其他...
1.0一般标准。该标准设计实施了指挥和控制设施（C2F）和陆军总部（陆军总部）的陆军标准，以下是集体称为陆军标准，或单独：C2F标准或陆军总部标准。本标准设计中包含的标准适用于所有指挥和控制设施的规划，设计，构建和重用（以下称为C2F），重点是陆军部门（DIV），CORPS（CORPS），陆军服务组件命令（ASCC）的任务要求，包括编号的军队（#A）和陆军命令（#A）和陆军命令（ACOM）。此标准设计中包含的标准还适用于所有陆军总部（以下称为陆军总部）直接报告单位（DRU）（DRU）的规划，设计，建设和重复使用，并主要是在指定的命令位置/比尔（E.旅总部）。这些标准仅适用于旅（EAB）上方的梯队。将本标准设计中包含的特定标准与本文档中引用的其他标准结合使用。
基于改进的yolov8
Methods: This paper aims at the problem of target detection of Yunnan Xiaomila under complex background environment, in order to reduce the impact caused by the small color gradient changes between xiaomila and background and the unclear feature information, an improved PAE-YOLO model is proposed, which combines the EMA attention mechanism and DCNv3 deformable convolution is integrated into the YOLOv8 model, which improves the model ' s feature extraction capability and小米在复杂环境中的推理速度，并实现了轻巧的模型。首先，EMA注意机制与Yolov8网络中的C2F模块结合使用。C2F模块可以很好地从输入图像中提取本地特征，而EMA注意机制可以控制全局关系。两者相互补充，从而增强了模型的表达能力；同时，在骨干网络和头网络中，引入了DCNV3卷积模块，该模块可以根据输入特征映射自适应地调整采样位置，从而有助于针对不同尺度和轻量级网络的目标目标更强的功能捕获功能。它还使用深度摄像头来估计小米的姿势，同时分析和优化不同的遮挡情况。通过消融实验，模型比较实验和态度估计实验验证了所提出的方法的有效性。
cib-se-yolov8
摘要 - 安全设备是确保在施工地点安全的关键组成部分，头盔对于减少伤害和死亡尤为重要。传统方法，例如负责人和项目经理的手动检查，效率低下且劳动力密集，通常无法防止与缺乏安全装备有关的事件。为了解决这个问题，利用实时检测技术，特别是Yolo，已经开发了一种新的方法来利用计算机视觉和深度学习。本研究利用公开可用的SHEL5K数据集用于头盔检测任务。所提出的CIB-SE-YOLOV8模型通过结合了注意机制并用C2FCIB块替换某些C2F块来建立在Yolov8n上。与Yolov8n相比，我们的模型获得了88.4％的MAP50，占3.2％的提高。它还表明精度增加了0.5％，召回率增加了3.9％，从而显着提高了头盔检测性能。此外，与Yolov8n的300万参数和8.1 GFLOPS相比，具有268万参数和7.6 GFLOPS的拟议模型在实时检测任务方面具有更高的效率，从而使其成为改善施工现场安全的更有效解决方案。
使用yolov8
摘要：本研究提出了一种开创性的方法，可以增强Yolov8模型在对象检测中的准确性，主要集中于解决各种图像类型中检测对象的局限性，尤其是对于小物体。这项工作的拟议策略结合了上下文注意块（CAB），以有效定位和识别图像中的小物体。此外，提出的工作可提高特征提取能力，而不会增加模型复杂性，从而提高了粗到1（C2F）块的厚度。此外，已经对空间注意力（SA）进行了修改以加速检测性能。增强的Yolov8模型（即Yolov8-CAB）强烈强调通过利用CAB块来利用多尺度特征图和迭代反馈来检测较小的物体的性能，从而优化了对象检测机制。因此，创新设计有助于出色的特征提取，尤其是“弱特征”，上下文信息保存和有效的特征融合。对上下文（可可）数据集中的共同对象进行了严格的测试，以证明提出的技术的功效。这对标准Yolo模型产生了显着改善。yolov8-cab模型达到的平均平均精度为97％的检测率，与常规模型相比增加了1％。本研究强调了我们改进的Yolov8方法检测对象的功能，代表了一个突破，为实时对象检测技术的进步设定了阶段。索引术语 - 人工智能，深度学习，计算机视觉，对象检测。
USV-YOLO：用于检测环保无人容器表面浮动物体的算法
摘要 - 水资源是人类的基础。表面浮游物体的精确检测是环境保护无人机进行河流清洁操作的主要先决条件。针对当前目标检测算法在复杂场景和低特征识别能力下对水面上的小目标的不良适应性，本文提出了水表面流动物体检测算法USV-yolo，这实现了在内陆河流复杂条件下充电对象的准确识别和检测。最初，设计了一种新颖的C2F频道模块。它优化了特征信息的利用，并通过顺序融合和串联从瓶颈层发出的特征信息来提高检测浮动物体的准确性；其次，该设计介绍了GS-EVC模块，该模块通过合并GSCONV和SHUF-flof flof flof flof flof flof flof flof flof flof flof flopl oterations介绍了表面炉的原始特征信息的利用，增强了远程特征信息之间的依赖性，并增强了特征识别能力；最终，骨干网络中的标准卷积被全尺寸动态ODCONV代替。其中的加权注意机制可以适应复杂目标的特征提取，从而进一步提高了网络的检测精度。实验是在开源数据集（浮动waste-i和flow-img）上进行的，实验结果表明，本文中的USV-Yolo算法提高了平均检测精度，地图50和MAP 50-95，分别提高了4.3％和6.1％，比原始网络更好，这是其他经典的目标。