陈嘉豪, 谷瑞军, 石业腾, 田祥宏, 毕文洋
金陵科技学院学报. 2024, 40(2): 30.
摘要 (
)
PDF全文 (
)
可视化
收藏
针对YOLOv8n模型在厨房闯入动物检测任务中存在的特征提取能力不足、模型感受野较小等问题,为了提高厨房闯入动物检测的实时性和准确性,文章提出了一种基于YOLOv8n的改进算法。在检测头处引入挤压-激励注意力机制,学习特征之间的关系来动态调整特征图的通道权重,从而提高网络的表征能力和泛化性能,使得网络能够更好地适应不同的输入数据分布。通过引入深度可分离卷积并在其基础上增加一个残差连接,创建了一个更为健壮的模型结构,提升性能的同时降低了训练难度。实验表明:改进后的YOLOv8n闯入动物检测算法的平均精度均值(mAP)达到了85.6%,比原生YOLOv8n算法的83.2%提升了2.4%,同时参数量只有原生YOLOv8n的83.28%。相比于原生YOLOv8n,改进后的YOLOv8n-SEM算法可以更加准确地识别出厨房闯入动物。