改进了深度神经网络 (EnhanceNet) 以实时检测一些公开禁止的项目
Chukwuebuka Joseph Ejiyi1,2, Zhen Qin2, Chiagoziem Chima Ukwuoma3
1College of Nuclear Technology and Automation Engineering, Chengdu University of Technology, Chengdu, Sichuan, China.
Network (Bristol, England)
|September 11, 2024
概括
本研究介绍了EnhanceNet,这是一个实时检测模型,使用规模增强聚合网络 (SEP-Net) 和YOLOv4来改进安全选. 该模型有效地检测禁止物品,增强各种场馆的公共安全.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 安全系统安全系统
背景情况:
- 公共安全依赖于安全检查,但许多场馆缺乏资源,造成漏洞.
- 传统的安全方法往往是低效的,容易出错,造成重大风险.
研究的目的:
- 开发禁止物品的实时检测模型,以提高公共场所的安全性.
- 通过使用先进的深度学习技术,提高安全查的准确性和效率.
主要方法:
- 拟议的EnhanceNet模型将定制规模增强聚合网络 (SEP-Net) 集成到YOLOv4.4中.
- 标注了一个定制数据集,包含九个类别的禁止物品.
- 使用不同的输入大小 (608和416) 评估模型性能,并测量平均精度 (mAP) 和每秒 (FPS).
主要成果:
- 416输入大小在27.1 FPS实现了76.75%的mAP.
- 608输入大小在22.3 FPS实现了74.10%的mAP.
- 通过SEP-Net集成,增强了特征表示和本地化准确性.
结论:
- EnhanceNet模型在实时检测禁止物品方面表现出高准确性和效率.
- 该模型为提高资源有限的公共场所的安全提供了可行的解决方案.
- 开发的系统适用于实时安全应用,提高整体安全性.
