融合YOLO v3与改进ReXNet的手势识别方法研究

工程应用中的手势识别需要较高的实时性和准确性，而现场环境通常无法提供足够的计算能力，采用轻量化神经网络在解决了上述问题的同时，还能达到与深度神经网络相当的识别效果。为此，提出一种基于改进轻量化神经网络的手势识别方法。该方法改进用于手部关键点检测的ReXNet网络结构，以改善骨骼点的局部关注；同时将关键点检测损失函数MSE替换为Huber loss，以提升离群点的抗干扰性。实验环境搭建基于普通单目镜头捕获图像后，经YOLO v3手部识别模型和改进的ReXNet关键点检测模型，并根据约束手部骨骼关键点的向量角而定义的不同手势，最后达到实时检测的效果。改进模型在RWTH公开数据集上的测试结果表明，改进后的手势识别方法的检测准确度较改进前整体提升2.62%，达到了96.18%，且收敛速度更快。     

复杂环境下小尺度烟火目标检测研究

针对复杂环境下起火点目标尺寸较小、起火点特征易与实际场景混淆导致烟火检测效率及准确率低等问题，提出了一种基于改进YOLOv5的小尺度烟火目标检测方法.首先，在原始YOLOv5模型输出的第3个检测层上增加第4个检测层，以此获取更大的特征图对小目标进行检测，加强网络模型的特征提取能力.其次，为解决目标在被遮挡的场景中容易出现漏检的问题，将原网络中用于计算目标框损失函数的GIoU_Loss替换成DIoU_Loss.最后，利用TensorRT对模型进行压缩和加速优化，并将其部署到Jetson TX2开发板上进行加速推理实验，通过复制增强方法扩充实际烟火场景数据.大量实验结果表明，本文所提方法用于复杂环境下的小尺度烟火目标检测不仅检测速度快而且精度高，适于推广应用.     

基于改进YOLOv5s的遥感目标检测

优化遥感目标检测对于军事民生方面都有着重要意义。由于遥感数据中成像模糊、目标较小、检测对象数量多，导致检测精度不高，现提出一种新网络：新网络在YOLOv5s（You Only Look Once v5s）原网络的基础上使用Mish激活函数代替SiLU（Sigmoid Weighted Liner Unit）激活函数；为解决遥感图像中小目标的问题，采用了对小目标、低分辨率友好的SPD-Conv（Space-to-depth-Conv）模块；考虑到使用耦合检测头会存在回归、分类两个任务之间的冲突问题，采用YOLOX (You Only Look Once X)中解耦的检测头，提高了模型查准率。实验结果表明，相比于原始YOLOv5s，新网络在mAP（mean Average Precision）平均精度均值方面提升了7%，查全率（recall）提升了10.9%，检测速度FPS提升了16.95%。改进后的网络模型相对于原始模型具有明显优越性，识别效果提升明显。