典型文献
基于改进YOLOV5的营业厅视频智能监控方法
文献摘要：
通过营业厅监控视频对异常事件和人员的检测可以提高营业厅对外服务水平和营业厅管理水平.本文以YOLOV5为基线,提出了一种结合Transformer的营业厅视频异常事件和人员检测算法.卷积神经网络在提取局部有效信息作用很大,但它们缺乏从全局信息中提取远程特征的能力,这就导致了基于CNN的检测网络只依赖于高质量的卷积特征来检测目标.最近具有全局计算功能的Transformer被广泛应用到计算机视觉任务中,并取得了显著的效果.本文通过将基于多头自注意力的Transformer模块整合到颈部网络,利用自注意力来解释图像区域之间的关系,并将其与原始的卷积特征进行融合以提升检测器的性能.另外,由于YOLOV5在高IoU阈值的情况下,正样本数量大幅减少,检测精度降低,本文采用幂变换的CIoU边界框回归损失函数,可以提升高IoU阈值的平均检测精度.本文改进算法的检测性能比基线模型的mAP@0.5提高了 3.5％,检测速度达到78帧每秒,明显优于传统的深度学习算法,能够满足工程应用的要求.
文献关键词：
YOLOV5;transformer;CIoU;自注意力;异常事件检测
中图分类号：
作者姓名：
付文杰;葛云龙;王晓甜;张旭东;程超;杨迪;冀明
作者机构：
国网河北省电力有限公司,河北石家庄050000;国网河北省电力有限公司营销服务中心,河北 石家庄050000
文献出处：
引用格式：
[1]付文杰;葛云龙;王晓甜;张旭东;程超;杨迪;冀明-.基于改进YOLOV5的营业厅视频智能监控方法)[J].电力大数据,2022(08):45-54
A类：
B类：
YOLOV5,营业厅,智能监控,监控视频,对外服务,Transformer,人员检测,检测算法,有效信息,全局信息,测网,卷积特征,计算机视觉,视觉任务,多头自注意力,模块整合,合到,检测器,样本数量,检测精度,CIoU,边界框回归损失函数,改进算法,检测性能,性能比,比基,基线模型,mAP,检测速度,每秒,深度学习算法,transformer,异常事件检测
AB值：
0.334004
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
