基于GB—YOLOv5的烟火智能检测研究

火灾的发生极大地威胁到人类的生命、财产安全，如何在初始阶段遏制火情尤为重要。针对复杂环境下火焰和烟雾目标较小、检测精度低、速度慢等问题，提出一种基于GB—YOLOv5的烟火智能检测方法。由于现有数据集限制，首先自建了包含4143张不相似图像的烟火数据集；其次将融合了注意力机制Convolutional Block Attention Module的Ghost Bottleneck模块与YOLOv5结合，在保证准确率的前提下，提高了检测速度；最后采用BIFPN模块替代PAN模块来增强颈部，更好地实现多特征融合，提高火焰和烟雾的检测能力。实验结果表明，改进后检测方法的平均精度均值比YOLOv5s高6.1%,推理速度比YOLOv5s快21%。     

基于三重注意力机制的U-Net新冠肺炎肺部图像分割

CT成像是检测新冠感染(COVID-19)病灶区域的重要手段之一，但需要专业的放射科医生判断且工作量较大。为了解决磨玻璃结节(GGO)以及肺部实变两种病变统一分割问题，在U-Net网络模型中加入改进的三重注意力模块，提高病灶特征的显著性，细化病灶的边缘特征，增加对小区域病灶的识别度，辅助医生判断。该方法构建的深度分割网络模型在COVID-19分割数据集中进行实验，得到的Sensitivity, Specificity, Dice, mIou分别为86.57%,99.33%,81.64%,88.23%。分割效果在这个模型中能得到更良好的体现。     

基于改进NanoDet和GRU的交警手势识别研究

无人驾驶车辆对道路交通指示牌以及信号灯具有良好的识别效果，但在交警手势识别方面还有进一步发展的空间。当交警和交通信号灯同时在场以指挥复杂的路况时，能够识别出交警手势并根据交警手势优先做出判断尤为重要。考虑到车载设备的性能限制，使用了改进的NanoDet以保障实时从画面中提取人群中的交警区域，将注意力机制和GRU相结合，提高了该网络对交警手势的识别精度。设计了一种并行的运行架构，提高了交警手势智能识别系统的整体执行效率。