.png){kind=icon}
返回
Advancing object detection performance: random replacement one-one optimized convolutional LeNet algorithm with novel strategies for improved efficiency
.png){kind=icon}
PRE
AI
DOI：10.1007/s12530-025-09655-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，计算机视觉已成为不可或缺的技术，特别是在提升物体检测与识别能力方面。在复杂场景中识别特定物体仍是一个关键挑战。为应对此问题，计算机视觉方法必须在优化检测与识别的同时有效管理权衡关系。本研究提出随机替换一对一优化的卷积LeNet算法（ConvLeNet-RROO），以提升物体检测系统的效率与整体性能。ConvLeNet-RROO创新性地在训练过程中引入随机替换策略，通过选择性替换权重或神经元来缓解局部最小值问题并加速收敛。此外，该算法整合了优化的卷积层，显著降低计算复杂度而无需牺牲精度。在包括Indian vehicle dataset、cars detection dataset、vehicle detection dataset、BIT-vehicle dataset和urban vehicle dataset在内的多样化物体检测数据集上进行的广泛实验表明，ConvLeNet-RROO在检测性能上优于传统LeNet及其他现有模型。最优曲线与新颖随机替换策略的集成通过增强模型在各类条件下准确检测物体的能力，提升了物体检测性能。ConvLeNet-RROO的性能评估采用包括准确率、精确率、误报率和漏报率在内的多项主要性能指标进行综合分析，证明了其相较于所有其他现有方法的卓越性能。实验结果验证了该模型具有出色的准确率（99.5%）、召回率（96.9%）、精确率（98.4%）、F1度量（97.7%）、低误报率（0.147）和漏报率（0.028），凸显其在提升物体检测能力方面的有效性。
Keyword:
Object detection
Normalization
Noise removal
Convolutional neural network
LeNet
One-to-one-based optimizer
Random replacement strategy
期刊
IF:
2.7
论文数:
240
被引数:
1.2K
机构
引用论文
Prediction of Weather Forecasting with Long Short-Term Memory using Deep Learning基于深度学习的长短期记忆网络在天气预报预测中的应用
PREAI
分享收藏Deep Learning for Object Detection, Classification and Tracking in Industry Applications.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Machine Learning based Crop Suitability Prediction and Fertiliser Recommendation System基于机器学习的作物适宜性预测与肥料推荐系统
PREAI
分享收藏Laplace crossover and random replacement strategy boosted Harris hawks optimization: performance optimization and analysis拉普拉斯交叉与随机替换策略增强的哈里斯鹰优化：性能优化与分析
PREAI
分享收藏Spatial-Semantic and Temporal Attention Mechanism-Based Online Multi-Object Tracking基于时空-语义注意机制的在线多目标跟踪SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容