بهبود سرکوب غیرحداکثری در تشخیص شی
ترجمه نشده

بهبود سرکوب غیرحداکثری در تشخیص شی

عنوان فارسی مقاله: بهبود سرکوب غیرحداکثری در تشخیص شیء RGB-D
عنوان انگلیسی مقاله: Improvement of Non-Maximum Suppression in RGB-D Object Detection
مجله/کنفرانس: دسترسی – IEEE Access
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم و محاسبات
کلمات کلیدی فارسی: سرکوب غیرحداکثری، تشخیص شیء RGB-D، تقاطع اتصالات، جعبه های تشخیص، ترکیب چندحالته
کلمات کلیدی انگلیسی: Non-maximum suppression, RGB-D object detection, intersection-over-union, detection boxes, multimodal fusion
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1109/ACCESS.2019.2945834
دانشگاه: Academic of Space Information, University of Space Engineering, Beijing 101416, China
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 4.641 در سال 2018
شاخص H_index: 56 در سال 2019
شاخص SJR: 0.609 در سال 2018
شناسه ISSN: 2169-3536
شاخص Quartile (چارک): Q2 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 10
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E13848
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

ABSTRACT


I. INTRODUCTION


II. RELATED WORK


III. ALGORITHM DESIGN


IV. EXPERIMENT AND ANALYSIS


V. CONCLUSION


REFERENCES

نمونه متن انگلیسی مقاله

ABSTRACT


Currently, the non-maximum suppression (NMS) algorithm is a commonly used method in the post-processing stage of object detection. However, the NMS algorithm cannot effectively eliminate missing and false object detection results because of the simple constraint condition. To solve the problem of the poor detection effect in highly overlapping dense object scenes in the traditional NMS algorithm, we design an RGB-D object detection network model based on the YOLO v3 framework, and using level-by-level metaphase fusion on the RGB and depth information, we propose an improved NMS algorithm which fuses depth characteristics. According to the depth of the object in the detection boxes, it is determined whether another object is the same object in highly overlapping detection boxes, and the average depth of the internal pixels in the detection boxes is calculated as a penalty term, then the penalty term is added to the detection box score to obtain a new constraint condition for non-maximum suppression. The experimental results on the NYU Depth V2 dataset show that the mean average precision (mAP) of the Depth Fusion NMS algorithm proposed in this paper is 0.8%, 0.5% and 0.3% higher than those of the Greedy-NMS, Soft NMS-L and Soft NMS-G methods, respectively. After comparison and analysis, our method can not only detect more overlapping objects but also achieve a better object localization accuracy.


INTRODUCTION


Object detection is an important research direction in the field of computer vision. The process can be understood as visual algorithm giving the computer a human-like visual recognition ability to identify object categories and obtain the object location information in scenes through an image obtained by a sensor. In recent years, with the rapid development of deep learning and neural network technology, the research on object detection has resulted in breakthroughs in the areas of monitoring security, automatic driving, human-computer interaction and so on [1]. Object detection algorithms based on convolutional neural networks can be divided into three steps [2]: feature learning and object extraction, object classification and location regression, and non-maximum suppression algorithms to select the optimal detection boxes. Non-maximum suppression (NMS) in the last step was first proposed in the edge detection algorithm, and then further applied to the fields of object detection, face recognition, etc. [3], [4]. NMS is an important method for the post-processing step of a detection model. Current studies mainly focus on feature learning, feature extraction and classification, but there has been little improvement in non-maximum suppression algorithms [5].

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

بهبود سرکوب غیرحداکثری در تشخیص شی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها