XiaoMi-AI文件搜索系统
World File Search SystemYOLOv3
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，
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]。
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。