【技术实现步骤摘要】
本专利技术涉及深度学习，具体是涉及基于深度学习的实时多目标检测系统及方法。
技术介绍
1、在实际应用中，目标检测面临着复杂的环境干扰，如遮挡、背景杂乱、目标变形等，严重影响检测的精度。当多个目标之间存在遮挡关系时，如何准确地检测和识别每个目标是一个挑战，多目标检测需要对大量的图像或视频数据进行精确的目标标注，耗时耗力，且标注的准确性直接影响模型的训练效果；此外，模型对少数类别的检测性能较差。
2、深度学习技术的迅猛发展为实时多目标检测提供了强大的支持，卷积神经网络(cnn)等模型能够自动提取图像中的特征，相比传统的人工设计特征，具有更高的表达能力和鲁棒性，极大地提高了目标检测的准确率。图形处理单元(gpu)的计算能力不断提升，使得深度学习模型的训练和推理速度得到了显著加快，能够满足实时检测对速度的要求。
3、在安防监控、自动驾驶、智能交通、无人机、机器人等领域，对实时多目标检测的需求日益增长，这些领域要求系统能够快速、准确地检测和识别出图像或视频中的多个目标。
技术实现思路p>
1、为解决本文档来自技高网...
【技术保护点】
1.基于深度学习的实时多目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的实时多目标检测方法，其特征在于，所述采集待检测场景的视频流、图像序列，并对其进行预处理，包括去噪、归一化、尺寸调整和增强操作具体包括：
3.根据权利要求2所述的基于深度学习的实时多目标检测方法，其特征在于，所述利用深度学习模型对预处理后的输入数据进行多尺度特征提取，构建多尺度特征金字塔，其中每一层特征图表示不同尺度的目标信息具体包括：
4.根据权利要求3所述的基于深度学习的实时多目标检测方法，其特征在于，所述将不同尺度的特征图进行融合，引...
【技术特征摘要】
1.基于深度学习的实时多目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的实时多目标检测方法，其特征在于，所述采集待检测场景的视频流、图像序列，并对其进行预处理，包括去噪、归一化、尺寸调整和增强操作具体包括：
3.根据权利要求2所述的基于深度学习的实时多目标检测方法，其特征在于，所述利用深度学习模型对预处理后的输入数据进行多尺度特征提取，构建多尺度特征金字塔，其中每一层特征图表示不同尺度的目标信息具体包括：
4.根据权利要求3所述的基于深度学习的实时多目标检测方法，其特征在于，所述将不同尺度的特征图进行融合，引入注意力机制，对目标区域的特征进行加权处理具体包括：
5.根据权利要求4所述的基于深度学习的实时多目标检测方法，其特征在于，所述利用改进的yolov5目标检测模型对融合后的特征图进行目标检测，输出目标的边界...
【专利技术属性】
技术研发人员：陈远航，曾钦清，冯梦萍，刘倩，蔡文婷，徐康康，杜婷婷，
申请(专利权)人：浙江建设职业技术学院，
类型：发明
国别省市：
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。