您现在的位置: 首页> 研究主题> SSD

SSD

SSD的相关文献在1989年到2023年内共计2831篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、外科学 等领域,其中期刊论文1239篇、专利文献1592篇;相关期刊342种,包括中国集成电路、新潮电子、电脑迷等; SSD的相关文献由3486位作者贡献,包括徐伟华、王猛、马宇川(文/图)等。

SSD—发文量

期刊论文>

论文:1239 占比:43.77%

专利文献>

论文:1592 占比:56.23%

总计:2831篇

SSD—发文趋势图

SSD

-研究学者

  • 徐伟华
  • 王猛
  • 马宇川(文/图)
  • 冯元元
  • 彭鹏
  • 马宇川
  • 姜黎
  • 马翼
  • 周士兵
  • 田达海
  • 期刊论文
  • 专利文献

搜索

排序:

年份

作者

关键词

    • 邓权; 林明星
    • 摘要: 为了满足海洋生物检测对精度和实时性的要求,提出了一种基于改进SSD算法(single shot multibox detector)的海洋生物检测算法。针对SSD算法浅层特征层语义信息不足、小目标检测效果差等问题,设计了特征融合模块和特征增强模块。特征融合模块通过融合不同特征层,丰富了浅层特征层的语义信息以及深层特征层的细节信息,综合上下文信息提高检测效果。为了进一步提高浅层特征层的语义信息,提出了特征增强模块,通过引入空洞卷积以及多尺度的卷积核,综合不同感受野信息以提高改进算法对小目标的检测效果。改进算法在仅增加少量计算量和参数量的情况下,全面提高了算法对海洋生物目标的检测准确率。结果表明,改进算法在海洋生物数据集中的平均精度(mAP)达80.8%,比原始网络提高了5%,检测速度(FPS)为74,略低于SSD算法,但远高于其他改进算法。改进算法能在保持实时性的同时取得较高的检测精度,能够满足海洋生物检测要求。
    • 仲鹏宇; 杨娟
    • 摘要: 本文针对驾驶人疲劳驾驶检测模型实时性不足、以及在复杂光照场景下检测效果较差的问题,提出了一种改进的轻量级SSD双模态疲劳驾驶检测算法。该算法用MobileNet替换SSD的主干特征提取网络VGG16以使得模型轻量化。在模型的浅层特征上加入轻量级注意力机制网络SENet提升模型对小目标的检测精度。利用软注意力机制融合可见光图像和红外图像两种模态的特征提升模型在复杂光照环境下的表现。使用空洞-深度可分离卷积替换浅层的标准卷积,以弥补下采样导致的精度的损失。最后在检测出的人脸上根据PERCLOS准则进行疲劳驾驶判定。实验结果表明,该算法在复杂光照环境下具有良好的鲁棒性,同时能够在保证疲劳驾驶检测精度不下降的前提下大量减少模型参数量,进一步满足疲劳检测实时性的要求。
    • 郭秀明; 诸叶平; 李世娟; 张杰; 吕纯阳; 刘升平
    • 摘要: 农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点,加之农田环境光照多变、背景复杂,导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标,以蜜蜂识别为例,提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难,实现目标尺度无关的小目标识别。首先将原图拆分为一些较小尺寸的子图以提高目标尺度,将已标注的目标分配到拆分后的子图中,形成新的数据集,然后采用迁移学习的方法重新训练并生成新的目标识别模型。在模型的使用中,为使子图识别结果能正常还原,拆分的子图之间需具有一定的重叠率。收集所有子图的目标识别结果,采用非极大抑制(Non-Maximum Suppression,NMS)去除由于模型本身产生的冗余框,提出一种交小比非极大抑制(Intersection over Small NMS,IOS-NMS)进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300×300、500×500和700×700,子图重叠率分别为0.2和0.05的情况下进行验证试验,结果表明:采用SSD(Single Shot MultiBox Detector)作为框架中的目标检测模型,新提出的尺度自适应算法的召回率和精度普遍高于SSD模型,最高分别提高了3.8%和2.6%,较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优越性,从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像,并采用本算法和SSD模型进行了对比测试,结果表明:本算法能提高目标识别性能,具有较强的尺度适应性和泛化性。由于本算法对于单张图像需要多次向前推理,时效性不高,不适用于边缘计算。
    • 汤强; 朱煜; 郑兵兵; 郑婕
    • 摘要: 视频动作检测研究是在动作识别的基础上进一步获取动作发生的位置和时间信息。结合RGB空间流和光流时间流,提出了一种基于SSD的区域时空二合一动作检测网络。改进了非局部时空模块,在光流中设计了像素点筛选器来提取运动关键区域信息,只对空间流中筛选出的动作关键区域进行相关性计算,有效获得动作长距离依赖并改善非局部模块计算成本较大的缺陷,同时降低了视频背景噪声的干扰。在基准数据集UCF101-24上进行了实验,结果表明所提出的区域时空二合一网络具有更好的检测性能,视频级别的平均精度(video_AP)达到了43.17%@0.5。
    • 张凤
    • 摘要: 自动泊车系统已经成为高级辅助驾驶系统(ADAS)中的一项重要功能,车辆在泊车过程中时常会出现泊车不到位、与相邻车位中的车辆发生剐蹭等事故。为提升自动泊车的精准性,文章提出了一种实时检测限位器的改进算法SSD-L,通过定位限位器的位置,对车辆的泊车位置进行修正。该方法对原先的SSD网络结构进行精简和改进,并使用卡尔曼滤波增加识别的稳定性。在实际泊车场景中的测试结果表明,SSD-L算法检测限位器的平均精度(mAP)较高,为95%。
    • 摘要: 对于很多PC用户来说固态硬盘已经成了主流的选择,近年来NVMe SSD更成为首选。近日我们就收到来自西部数据的WD.BLACK SN850 NVMe SSD移动硬盘,它是西部数据旗下第一代PCIe 4.0 SSD产品,宣称读取速度达到了5GB/S,写入速度也达到了4GB/S,属于目前SSD产品中的性能王者。今天我们先睹为快。外观方面,WD_BLACK SN850 NVMe SSD采用了全黑的外观PCB设计。
    • 刘建政; 梁鸿; 崔学荣; 钟敏; 李传秀
    • 摘要: 针对SSD算法在目标检测过程中对小目标检测的不足,提出了一种基于SSD算法的一阶段目标检测器--FIENet(feature integration and feature enhancement network)。在FIENet中设计了两个模块,一是特征融合模块,该模块对SSD浅层的特征映射信息进行融合以提高小目标检测能力;二是特征增强模块,该模块采用了残差网络(Res2Net)以及注意力机制(attention),对特征融合后的模块以及SSD中的深层特征映射进行增强。为了更好地检测小目标,还调整了浅层特征映射先验框的数量。为了评价FIENet的有效性,在PASCAL VOC2007以及MSCOCO数据集上进行了实验。实验结果表明,在PASCAL VOC2007数据集上检测精度(mAP)较SSD提高3.1个百分点,对小目标bird、bottle、chair、plant检测精度分别提升了3.6、9.5、5.4、5.5个百分点。在COCO数据集上达到29.4%的检测精度(mAP)。实验结果证明FIENet网络在保持实时性的同时可以达到较高的检测精度。
    • 黄静; 谢宣
    • 摘要: 针对装饰装修工程中由人工验收带来的诸多问题,文中提出了一种改进的SSD算法并将其应用于监理工作来代替人工验收,推动智能监理的实现。由于SSD算法存在对同一目标复检以及小目标检测效果欠佳等问题,故文中利用DPN网络替换基础特征提取网络VGG16。DPN结合了Resnet和Densenet的优点,具有更好的特征提取能力。通过加权FPN融合特征图,突出不同层特征图的贡献,丰富用于预测的特征图语义。利用深度可分离卷积降低模型的参数量,提高算法的推理速度。实验对比发现,改进后模型的平均精度提升了3.47%,对小数目检测平均精度的提升可达15%,证明新模型在监理目标检测任务中效果良好。
    • 李俊
    • 摘要: 目前工业生产手机主板过程中,对于贴片区域以及元器件的外观检测主要还是由人工目检来完成,但人工目检漏检率高,疏漏大,人力成本高,耗时大,耽误生产。针对这些难点,本文提出将深度学习模型应用在工业生产中,代替人工目检,提高检测率和生产效率。采用SSD模型,减少和优化了网络参数,减少了网络层数,加快了网络推理时间。根据现场生产自做数据集,对缺陷进行实时标注,用Halcon对输入网络的图片进行统一处理。使得整体对缺陷的检测满足客户对CT和直通率的需求。
    • 李炳臻; 姜文志; 顾佼佼; 刘克
    • 摘要: 论文总结了近年来利用卷积神经网络进行目标检测的研究进展。这些研究涵盖了各类卷积神经网络目标检测算法的设计,并使得计算机视觉的发展上了一个新的台阶。在查阅资料基础上,重点介绍了比较有代表性的Faster RCNN、YOLO V3以及SSD算法,通过回顾其前身算法,涵盖目前主流的目标检测算法,并对他们所用到的技术进行剖析,归纳总结分析其优缺点。并在最后一部分指出在目标检测方面仍然存在的问题以及未来的发展方向。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号