排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
YOLOv5算法能够对异常行为进行检测,大幅度提高异常行为识别的准确率和速度。然而,其参数规模较大,GPU计算量大,不适合在资源受限的嵌入式终端上进行安装部署;同时,其对目标密集、易产生遮挡的学生课堂异常行为识别表现不佳。针对上述问题提出了融合MobileNetV3的YOLOv5算法,该算法通过改进网络结构提升了算法效率,通过小目标锚框改进了相互遮挡的多目标识识别能力。最后,在基准数据集上的实验结果表明该算法网络模型参数量优于现有的YOLOv5算法,同时该算法在课堂异常行为数据集上表现出更好的识别效果。 相似文献
1