XiaoMi-AI文件搜索系统
World File Search SystemYOLOv3
Yolov3：实时对象检测
“使用卷积神经网络的对象检测”在Tencon 2018-2018 IEEE地区10会议上发表。本文包括使用两个带有MobilenetV1的SSD的模型检测，而另一个使用InceptionV2的较快RCNN。我们从两种模型中都知道，与MobilenEtv1相比，与SSD相比，RCNN更快，更准确。“基于深度学习的对象检测框架”在2020年IEEE研讨会系列（SSCI）中发表。在本文中，提出了基于Yolov3-Resnet检测模块的提名模型，该模型基于深度学习图像中的图像深度学习库中的深度学习图书馆提出了[2]。“使用YOLO.V3的自定义面部识别”论文发表于2021年第三届国际信号处理与通信会议（ICPSC）。在本文中，速度被视为面部识别的约束因子，并使用Yolo.V3算法实施了速度，该算法是一种单个SHOT算法，与其他算法相比，该算法具有很高的处理速度。在本文中，实施了使用R-CNN和YOLO.V3算法的面部识别[3]。“一种基于Yolov3的轻量化对象检测算法，用于车辆和行人检测”，在2021年IEEE亚太亚太地区进行了图像处理，电子设备和计算机（EPECEC）的（IPEC）的提议。频道和图层修剪在轻质Yolov3中用于简化网络体系结构[4]。
曲棍球运动视频中的对象检测通过验证的Yolov3
抽象对象检测是体育视频分析中最常见的任务。此任务需要准确的对象检测，该对象检测可以处理各种大小的对象，这些物体部分被遮挡，照明较差或在复杂的环境中呈现。现场运动中的对象包括球员的团队和球检测；这是由于玩家的快速移动和关注对象的速度而造成的一项艰巨任务。本文提出了预先训练的Yolov3，基于深度学习的对象检测模型。我们准备了一个由四个主要实体组成的曲棍球数据集：1（AUS），2（BEL），曲棍球舞会和裁判员。我们构建了自己的数据集，因为没有现有的现场曲棍球数据集可用。实验结果表明，预先训练的Yolov3深学习模型通过修改该预训练模型的超参数来在该数据集上产生比较结果。关键字：体育视频分析，深度学习，Yolov1，Yolov2，Yolov3，对象检测
基于YOLOv3的高效小交通标志检测方法
摘要 近年来基于深度学习的目标检测框架取得了辉煌的成就。然而，现实生活中的交通标志检测仍然是大多数最先进的目标检测方法面临的巨大挑战。现有的深度学习模型不足以有效地从现实条件下的大图像中提取小交通标志的特征。本文提出了一种基于高效端到端深度网络模型的新型小交通标志检测方法，解决了小交通标志检测难题。所提出的方法将三个关键见解融入已建立的You Only Look Once (YOLOv3) 架构和其他相关算法中，具有速度快、精度高的特点。此外，适当引入网络剪枝以最小化网络冗余和模型大小，同时保持有竞争力的检测精度。此外，还采用了四个尺度预测分支来显著丰富多尺度预测的特征图。在我们的方法中，我们调整损失函数以平衡误差源对总损失的贡献。通过在清华-腾讯100 K交通标志数据集上的实验进一步证明了网络的有效性和鲁棒性。实验结果表明，我们提出的方法比原始的YOLOv3模型取得了更好的准确率，与相关文献中的方案相比，我们提出的方法不仅在检测召回率和准确率上表现出色，而且在检测速度上也获得了1.9 – 2.7倍的提升。
撤稿说明：使用 YOLOv3 和深度学习进行计算机辅助脑肿瘤检测和分类
出版商已与主编达成协议，撤回了这篇文章。这篇文章是作为客座编辑期刊的一部分提交的。出版商的调查发现，包括这篇文章在内的多篇文章存在一些问题，包括但不限于编辑处理和同行评审过程受损、引用不恰当或不相关，或者不在期刊或客座编辑期刊的范围内。根据调查结果，
使用万向架进行物体跟踪控制...
本研究描述了一种控制解决方案，用于在物体检测环境中为 RPAS 获取的图像中进行实时物体跟踪。通过控制 3 轴万向节机构来控制嵌入到 RPAS 中的相机方向，并使用其处理后的图像进行反馈。控制的目的是将感兴趣的目标保持在图像平面的中心。所提出的解决方案使用 YOLOv3 物体检测模型来检测目标物体，并通过旋转矩阵确定新的所需角度，以将物体的位置收敛到图像的中心。为了比较所提出的控制结果，使用线性 PI 算法调整了线性控制。模拟和实践实验在提出的两种控制方法中都成功地使用 YOLOv3 实时跟踪了所需物体。
计算机视觉预测收获的影响...
摘要 - 全球计算机视觉的加速发展对水果收获的估计产生了重大影响，从而提高了效率并大大减少了食物浪费。此外，这项技术在农业部门面临着显着的抵抗力和缺乏知识。本综述的目的是分析人工视力方法在预测高茎果的收获时。因此，应用了非实验性描述性设计，属于无荟萃分析的系统综述。基于定义的标准（包含和排除），从电子数据库Scopus，Scielo和Redalyc中选择了26篇开放访问文章，这些文章涉及使用VA来预测高茎水果的收获。的发现表明，大多数研究使用近红外（NIR）光谱和RGB图像处理来估计收获，分别达到95％（柑橘类水果）和75％（苹果）的平均准确性。此外，使用RGB和YOLOV3图像传感器的无人机的使用使得获得大于90％的精确度成为可能，从而实现了收获前4到6个月之间的预测。得出结论是，使用最常用的VA方法是RGB图像传感器，光谱法（NIR），无人驾驶飞机（UAV）和Yolov3，它们在预测高茎果实的成熟方面的准确性大于75％。该方法的选择将主要取决于您是要分析果实的内部还是外部部分，因此，重要的是要识别高茎果实在其生长阶段的色素沉着的变化。
使用基于YOLO的学习方法
摘要 - 在农业工业化的目的中，对通常栽培作物的作物收获过程的优化至关重要。如今，机器视觉的利用使农作物的自动鉴定可以提高收获效率，但仍然存在挑战。 本研究提出了一个新的框架，该框架结合了两个单独的卷积神经网络（CNN）的架构，以便同时完成模拟环境内的作物检测和收获（机器人操纵）的任务。 模拟环境中的作物图像受到随机旋转，裁剪，亮度和对比度调整，以创建数据集生成的增强图像。 只有一旦使用传统的矩形边界框（R- Bbox）来进行农作物定位，您只能看一下算法框架。 随后提出的方法通过视觉几何组模型利用了获得的图像数据，以揭示机器人操纵的抓地位置。 索引术语 - 深度学习，Yolov3密集，机器人抓紧。如今，机器视觉的利用使农作物的自动鉴定可以提高收获效率，但仍然存在挑战。本研究提出了一个新的框架，该框架结合了两个单独的卷积神经网络（CNN）的架构，以便同时完成模拟环境内的作物检测和收获（机器人操纵）的任务。模拟环境中的作物图像受到随机旋转，裁剪，亮度和对比度调整，以创建数据集生成的增强图像。只有一旦使用传统的矩形边界框（R- Bbox）来进行农作物定位，您只能看一下算法框架。随后提出的方法通过视觉几何组模型利用了获得的图像数据，以揭示机器人操纵的抓地位置。索引术语 - 深度学习，Yolov3密集，机器人抓紧。
使用卷积神经网络进行人工智能朝圣者检测
朝圣是世界上最重要的伊斯兰宗教集会，数百万朝圣者前往麦加和麦地那圣地举行仪式。朝圣者的安全是当局的首要任务。在麦加，圣地周围分布着 5000 个摄像头来监控朝圣者，但考虑到每秒收集的图像数量巨大，人类几乎不可能跟踪所有事件。为了解决这个问题，我们建议使用基于深度学习和卷积神经网络的人工智能技术来检测和识别朝圣者及其特征。为此，我们建立了一个全面的数据集来检测朝圣者及其性别。然后，我们开发了两个基于 YOLOv3 和 Faster-RCNN 的卷积神经网络来检测朝圣者。实验结果表明，带有 Inception v2 特征提取器的 Faster RCNN 在所有类别中提供了 51% 的最佳平均精度。
深度学习的对象检测，智能轮椅医疗保健移动性的本地化和跟踪
摘要：本文介绍了智能电动轮椅的高级驾驶员援助系统（ADA）的开发，以提高残疾人的自主权。我们的用例基于正式的临床研究，基于轮椅室内环境中物体的检测，深度估计，定位和跟踪，即：门和门把手。这项工作的目的是为轮椅提供一个感知层，使以这种方式检测这些关键点在其直接周围的周围，并构建了短期寿命语义图。首先，我们将Yolov3对象检测算法的改编对我们的用例进行了改编。然后，我们使用Intel Realsense相机介绍我们的深度估计方法。最后，作为方法的第三步也是最后一步，我们根据排序算法介绍了3D对象跟踪方法。为了验证所有发展，我们在受控的室内环境中进行了不同的实验。使用我们自己的数据集对检测，距离估计和对象跟踪进行实验，其中包括门和门把手。
AI-Track-tive：使用计算机视觉（人工智能）自动识别和计算地面半轨迹的开源软件
摘要。本文描述并介绍了一种自动计数矿物中蚀刻裂变径迹的新方法。训练了深度神经网络和计算机视觉等人工智能技术来检测图像上的裂变表面半径迹。深度神经网络可用于名为“AI-Track-tive”的半自动裂变径迹测年的开源计算机程序。我们定制训练的深度神经网络使用 YOLOv3 对象检测算法，该算法是目前最强大、最快的对象识别算法之一。开发的程序成功地在显微镜图像中找到了大多数裂变径迹；然而，用户仍然需要监督自动计数。所提出的深度神经网络对磷灰石（97%）和云母（98%）具有很高的精确度。磷灰石（86%）的召回率低于云母（91%）。该应用程序可以在 https://ai-track-tive.ugent.be 在线使用（最后访问时间：2021 年 6 月 29 日），也可以作为 Windows 的离线应用程序下载。