基于改进NanoDet的复杂运动场景多人体检测算法OA北大核心CSTPCD
在运动赛事场景下,运动员的行为识别、传球投篮动作次数统计以及AI解说等方面都离不开对运动员的人体检测,这使得复杂场景下对运动员的人体检测速度和精度上均有较高要求.因此,本文提出一种基于NanoDet的复杂运动场景多人体检测算法.首先,该算法使用更平滑的Mish函数作为主干网络的激活函数,改进ShuffleNetV2网络,构建主干网络,并引入CBAM注意力模块,采用轻量化路径汇集网络进行特征融合,提高检测准确性;其次,使用无锚轻量化检测头GFLV2进行回归和分类,实现复杂运动场景下多人体目标检测;最后,为了进一步验证提出算法的性能,将研究算法与目前主流的检测算法进行实验对比,实验结果表明,相较于其他算法如Yolov3-tiny、Yolov4-tiny等本文算法有着更高的检测精度,比同类型的轻量化检测模型Yolov4-tiny高14.87%,此外,单帧检测时间与Yolov4-tiny的10.67 ms相比减少了31.68%,由此可见,本文研究算法在保持检测速度的基础上,大幅提高了检测精度.
刘丛昊;王军;谢非;杨继全;马磊;王琼;
南京师范大学电气与自动化工程学院,江苏南京210023南京三万物联网科技有限公司,江苏南京210000南京师范大学计算机与电子信息学院,江苏南京210023
计算机与自动化
深度学习人体检测轻量化模型注意力机制
《南京师大学报（自然科学版）》 2024 (002)
P.140-148 / 9
国家自然科学基金项目(41974033);江苏省科技成果转化项目(BA2020004);江苏省省级工业和信息产业转型升级专项资金项目(JITC-2000AX0676-71);江苏省研究生科研与实践创新计划项目.
评论