孟乔
- 作品数:6 被引量:7H指数:2
- 供职机构:青海大学计算机技术与应用系更多>>
- 发文基金:青海大学中青年科研基金更多>>
- 相关领域:自动化与计算机技术交通运输工程文化科学经济管理更多>>
- 面向西部高校的C语言课程分层教学与多维联动评价机制探索
- 2023年
- 基于OBE教育理念,针对西部高校生源特点和C语言教学中存在的问题,遵循同步发展、充分发挥的培养原则,提出教—练—评一体化的教学模式,介绍梯度式全监督的分层教学方法、标签化与个性化的分层作业定制以及个人—团队—教师多维联动的数字化评价方式,为实现科学化教学和精准化考核提供新思路。
- 孟乔王晓英刘志强张玉安李鑫丽
- 关键词:C语言编程能力分层教学个性化作业西部高校
- 基于改进YOLOv3的道路目标检测被引量:2
- 2020年
- 针对YOLOv3在道路目标检测中检测速度较慢以及小目标物体检测召回率低的问题,文中提出了一种基于YOLOv3改进后的道路目标检测网络YOLO-R。将YOLOv3原有的3个特征尺度增至4个,从而降低小目标物体的漏检率;利用K-Means目标框聚类得到新的道路目标检测候选框,进而提高了检测的精度;通过进行稀疏训练,并对稀疏训练后模型中不重要的通道进行剪枝以减少参数量,实现减小模型大小、加快检测速度及防止过拟合的效果。在进行道路目标检测的场景中,YOLO-R在GTX1650显卡下FPS为7.39帧/秒,相比YOLOv3提高了1.59帧/秒;检测准确率(m AP)为95.13%,相比YOLOv3提高了4.97%。本文提出的YOLO-R比YOLOv3在道路目标检测场景下检测速度与检测准确率都有所提升。
- 张琛张玉安孟乔
- 关键词:目标检测多尺度融合正则化
- 基于分离式标签协同学习的YOLOv5多属性分类
- 2024年
- 针对图像分类任务中卷积网络提取图像细粒度特征能力不足、多属性之间的依赖关系无法识别的问题,提出一种基于YOLOv5的车辆多属性分类方法Multi-YOLOv5。该方法设计了多头非极大值抑制(Multi-NMS)和分离式标签损失(Separate-Loss)函数协同工作机制实现车辆的多属性分类任务,并采用卷积块注意力模块(CBAM)、SA(Shuffle Attention)和CoordConv方法重构了YOLOv5检测模型,分别从提升多属性特征能力提取、增强不同属性之间的关联关系、增强网络对位置信息的感知能力三方面提升模型对目标多属性分类的精准性。在VeRi等数据集上进行了训练与测试,实验结果表明,与基于GoogLeNet、残差网络(ResNet)、EfficientNet、ViT(Vision Transformer)等的网络结构相比,Multi-YOLOv5方法在目标的多属性分类方面取得了较好的识别结果,在VeRi数据集上,它的平均精度均值(mAP)达到了87.37%,较上述表现最佳的方法提高了4.47个百分点,且比原YOLOv5模型具有更好的鲁棒性,能为密集环境下的交通目标感知提供可靠的数据信息。
- 李鑫孟乔皇甫俊逸孟令辰
- 关键词:多特征融合注意力
- 基于GhostNet与注意力机制的YOLOv5交通目标检测被引量:5
- 2023年
- 针对交通目标检测模型参数量大、检测精度低、检测速度慢、泛化性差等问题,提出一种基于GhostNet与注意力机制的YOLOv5交通目标实时检测模型.采用基于遗传算法的K-means聚类方法获取适用于车辆检测的最佳预选框;采用轻量的Ghost卷积提取目标特征,并构建基于CSP结构的C3Ghost模块,大幅度压缩模型参数量,降低计算成本,提高计算速度;在特征融合层添加Transformer block和CBAM注意力模块,来探索模型特征提取潜力以及为模型在密集对象的场景中寻找注意力区域;UA-DETRAC数据集上的消融实验和综合性能评价结果表明所提模型平均精度达到98.68%,参数量为47 M,检测速度为65 FPS,与YOLOv5相比,参数量压缩了34%,速度提升43%,平均精度提高了1.05%.
- 皇甫俊逸孟乔孟令辰谢宇鹏
- 关键词:目标检测
- 基于车载环境的交通目标跟踪
- 2024年
- 针对车载环境下小目标难以识别和相机动态移动造成的目标跟踪精度下降问题,提出一种基于改进YOLOv5与ByteTrack的交通目标跟踪方法.首先,引入Transformer与加权特征金字塔(BiFPN)结构的思想重构YOLOv5检测网络,有效捕获了特征的全局依赖关系,缓解了深层卷积小目标信息丢失问题,改善了车载环境下的目标检测性能.此后,以ByteTrack为基础提出了添加相机移动补偿的CMC-ByteTrack跟踪方法,更精准地描述了视频前后帧的数据关联关系,提高了相机大幅位移时的跟踪精度.实验结果表明,改进YOLOv5的平均检测精度(mAP)达到了82.2%,相比原算法提高了3.9%,与CMC-ByteTrack结合后的跟踪准确性(MOTA)相比改进前的跟踪方法提高了2.8%.
- 孟令辰孟乔皇甫俊逸李鑫
- 关键词:目标跟踪TRANSFORMER