基于双分支迁移学习与特征融合的目标实例计数方法研究AET-电子技术应用-最丰富的电子设计资源平台

基于双分支迁移学习与特征融合的目标实例计数方法研究
所属分类：技术论文
上传者：wwei
文档大小：4155 K
标签：实例计数仓库盘点迁移学习
所需积分：0分积分不够怎么办？
文档介绍：针对仓库场景中物资密集堆叠、相互遮挡导致自动盘点计数精度不足的问题，研究了一种端到端的高精度实例计数方法。该方法创新性地构建了名为WareCountNet++的双分支回归计数网络，其核心在于集成了分支级迁移学习与多层特征融合机制。网络通过一个注意力增强分支和一个定制化检测骨干分支并行提取特征，并利用所提机制在多个层级促进异构特征间的交互与多尺度信息的深度融合，以增强模型对复杂场景的表征能力。在自建的仓库物资数据集上的实验结果表明，所提WareCountNet++模型的平均绝对误差为1.8，均方根误差为3.2，相对平均绝对误差和相对均方根误差分别为4.2%与7.5%，决定系数为0.993，其综合性能显著优于YOLO系列等主流检测计数方法。消融实验证实了分支级迁移学习对降低相对误差、多层特征融合对提升计数精度的关键贡献。研究表明，该方法能够有效提升密集遮挡场景下的计数鲁棒性与准确性，为仓库智能盘点提供了可行的技术方案。
现在下载
VIP会员，AET专家下载不扣分；重复下载不扣分，本人上传资源不扣分。