【技术实现步骤摘要】
本专利技术涉及目标检测的，尤其是指一种基于控制模型的雾天目标检测方法。
技术介绍
1、近年来，目标检测作为计算机视觉领域的重要分支，取得了显著进展。随着深度学习技术的不断发展，基于深度学习的目标检测算法在准确性和效率上都得到了显著提升。目前，主流的目标检测算法如yolo、ssd、faster r-cnn等，在各类数据集上表现出色，能够准确识别图像中的多个目标，并给出其精确的位置信息。这些算法不仅适用于静态图像的目标检测，还能够处理视频流中的动态目标，为智能监控、自动驾驶等领域提供了有力支持。
2、但诸如此类的算法仍存在一些缺陷，当所检测的目标与训练数据集没有很大差别时，此时目标检测算法能很好地工作，然而在实际应用中，算法可能经常需要出来与训练数据相比有一定域偏移的数据，例如原数据集是干净清晰的城市图像，而目前需要处理的数据集为雾天条件下的城市图像，此时原模型处理新数据的性能会有所下降，为了维持目标检测算法的性能，通常做法是对模型进行微调，在新的数据集上重新训练。但此类方法有一定缺陷，首先这种方法训练难度较大，需要多次尝试调参...
【技术保护点】
1.基于控制模型的雾天目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于控制模型的雾天目标检测方法，其特征在于，在步骤S2中，所述神经网络F由骨干、颈部、检测头三个部分组成；骨干部分采用CSPDarknet53作为其骨干网络，具有出色的特征提取能力和计算效率；颈部部分采用FPN作为网络结构，能够提取不同层次的特征并将其融合；检测头部分通过非极大值抑制算法来对输出结果进行筛选；所述神经网络F的总损失函数公式表达为：
3.根据权利要求2所述的基于控制模型的雾天目标检测方法，其特征在于，在步骤S3中，所述神经网络C同时复制结构以及...
【技术特征摘要】
1.基于控制模型的雾天目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于控制模型的雾天目标检测方法，其特征在于，在步骤s2中，所述神经网络f由骨干、颈部、检测头三个部分组成；骨干部分采用cspdarknet53作为其骨干网络，具有出色的特征提取能力和计算效率；颈部部分采用fpn作为网络结构，能够提取不同层次的特征并将其融合；检测头部分通过非极大值抑制算法来对输出结果进行筛选；所述神经网络f的总损失函数公式表达为：
3.根据权利要求2所述的基于控制模型的雾天目标检测方法，其特征在于，在步骤s3中，所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。