典型文献
YOLOv5上融合多特征的实时火焰检测方法
文献摘要：
在自然场景中,天气情况、光照强度、背景干扰等问题影响火焰检测的准确性.为了实现复杂场景下实时准确的火焰检测,在目标检测网络YOLOv5的基础上,结合Focal Loss焦点损失函数、CIoU(Complete Intersection over Union)损失函数与多特征融合,提出实时高效的火焰检测方法.为了缓解正负样本不均衡问题,并充分利用困难样本的信息,引入焦点损失函数,同时结合火焰静态特征和动态特征,设计多特征融合方法,达到剔除误报火焰的目的.针对国内外缺乏火焰数据集的问题,构建大规模、高质量的十万量级火焰数据集( bases.html).实验表明,文中方法在准确率、速度、精度和泛化能力等方面均有明显提升,同时降低误报率.
文献关键词：
YOLOv5;火焰检测;Focal Loss损失函数;CIoU损失函数;多特征融合
中图分类号：
作者姓名：
张大胜;肖汉光;文杰;徐勇
作者机构：
重庆理工大学 两江人工智能学院 重庆401135;哈尔滨工业大学(深圳) 计算机科学与技术学院 深圳518055;哈尔滨工业大学(深圳) 深圳市视觉目标检测与判识重点实验室 深圳518055
文献出处：
引用格式：
[1]张大胜;肖汉光;文杰;徐勇-.YOLOv5上融合多特征的实时火焰检测方法)[J].模式识别与人工智能,2022(06):548-561
A类：
B类：
YOLOv5,火焰检测,自然场景,天气情况,光照强度,背景干扰,复杂场景,目标检测网络,Focal,Loss,焦点损失函数,CIoU,Complete,Intersection,over,Union,多特征融合,正负样本,样本不均衡,均衡问题,困难样本,静态特征,动态特征,融合方法,十万,bases,html,中方,泛化能力,低误报率
AB值：
0.380019
相似文献
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。
