科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对施工环境下安全帽数据集少，被检测物体目标小和现有检测模型参数量大导致的模型鲁棒性差，准确率低，训练时间长问题，提出了一种改进YOLOX网络的安全帽检测方法。使用在线困难样本挖掘（OHEM）寻找数据集中的困难样本，结合马赛克（Mosaic）方法对困难样本拼接来扩充训练集数量；在模型预测端（prediction）加入分支注意力模块，将网络输出分为两部分输入模块来提取空间层面和通道层面上关键信息；提出一种新的余弦退火算法，初始时加入预热（warm up），过程中逐段减小学习率曲线的振荡幅度，训练中减小模型的收敛时间。实验结果表明，与原方法相比，改进安全帽检测方法对安全帽检测的mAP、准确率、召回率分别提高了6.77、2.52、9.14个百分点，训练中使用CDWR余弦退火算法在同周期下损失值减少了0.5～1.0，与原算法相比训练收敛时间减少约50%。
- 出版日期2023
- 单位新疆大学
