.png){kind=icon}
返回
A Lightweight YOLO-Based Algorithm for Digital Target Recognition Integrating Positional Enhancement and Morphological Processing
.png){kind=icon}
PRE
AI
DOI：10.14358/PERS.25-00094R4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标检测对于现代军事应用至关重要，但将深度学习模型部署在资源受限的边缘设备上仍具挑战性。现有轻量级模型通常表现出边界定位差和数字识别准确率低，难以满足实时性和精度要求。本文介绍了一种基于YOLO的轻量级算法，并增强了新型位置机制和形态学处理。关键组件为位置增强特征金字塔网络（Enhanced-FPN），融合浅层高分辨率和深层语义特征以提高定位精度。ShuffleNetv2骨干网络确保低计算开销，而检测后模块应用形态学处理以稳健提取数字轮廓和方向。在自定义军事数据集上评估，模型在边缘设备上以11.24帧/秒的速度达到50%交并比阈值下的49.92%平均精度（mAP50），相比Yolo-FastestV2基线提高了7.02个百分点精度和12.8%速度，同时保持0.11 GFLOP（每秒十亿次浮点运算）的计算成本。这些结果表明该方法在受限环境下实现实时、高精度目标识别的有效性。
Keyword:
DRIVING FACTORS
期刊
P
IF:
0
论文数:
61
被引数:
0
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
.png){kind=icon}
OAAI分享收藏Deep Learning-Based Solar-Cell Manufacturing Defect Detection With Complementary Attention Network
PREAI
分享收藏An Improved YOLO Network for Insulator and Insulator Defect Detection in UAV Images一种改进的YOLO网络用于UAV图像中的绝缘子和绝缘子缺陷检测
PREAI
分享收藏RSODNet: Lightweight Remote Sensing Image Object Detection Combined with BCDNS Compression Algorithm
PREAI
分享收藏Towards the sustainable development of smart cities through mass video surveillance: A response to the COVID-19 pandemic通过大规模视频监控实现智慧城市的可持续发展: 应对新型冠状病毒肺炎大流行OAAI
OAAI分享收藏
查看更多内容