面向人工智能图片合规检测的仿生模型研究

宋昕彤; 王骏; 李甫; 潘祥

doi:10.13873/J.1000-9787(2022)10-0030-04

Chinese

您当前的位置：

首页 >

文章列表页 >

面向人工智能图片合规检测的仿生模型研究

研究与探讨 | 更新时间：2025-09-11

- 面向人工智能图片合规检测的仿生模型研究
- 面向人工智能图片合规检测的仿生模型研究
- 传感器与微系统 2022年第10期页码：30-33+38
- 作者机构：
  
  江南大学人工智能与计算机学院 2. 上海大学通信与信息工程学院 3. 无锡量子云数字新媒体科技有限公司
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2022)10-0030-04
  中图分类号： TP18;TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
宋昕彤, 王骏, 李甫, 等. 面向人工智能图片合规检测的仿生模型研究[J]. 传感器与微系统, 2022,(10):30-33+38.

面向人工智能图片合规检测的仿生模型研究[J]. 2022, (10): 30-33+38.
宋昕彤, 王骏, 李甫, 等. 面向人工智能图片合规检测的仿生模型研究[J]. 传感器与微系统, 2022,(10):30-33+38. DOI： 10.13873/J.1000-9787(2022)10-0030-04.

面向人工智能图片合规检测的仿生模型研究[J]. 2022, (10): 30-33+38. DOI： 10.13873/J.1000-9787(2022)10-0030-04.

摘要

针对在网络不断发展下愈发泛滥的非合规图片，提出了一种基于仿生模型和YOLO的方法对图片进行检测。为满足实验需要，建立了合规图片数据集，并将数据人工标记为适应YOLO算法的VOC格式。其次，在网络模型层面结合了仿生学的思想，使用剪枝的方法对神经网络进行压缩，从而达到降低内存，提高吞吐量的目的。实验结果表明：使用YOLO算法检测效果相比其他目标检测方法速度更快，而压缩后的模型在精度几乎不变的情况下，缩小了体积，加快了检测速率。

Abstract

关键词

Keywords

references

基于YOLO的轨道扣件状态检测 [J]. 王兵水,郑树彬,柴晓冬,李立明. 传感器与微系统 . 2021(04)

改进YOLOv3网络结构的遮挡行人检测算法 [J]. 刘丽,郑洋,付冬梅. 模式识别与人工智能 . 2020(06)

基于改进YOLOv3的有遮挡行人检测 [J]. 梁礼明,邓广宏,卢明建,吴健. 传感器与微系统 . 2020(05)

基于深度学习的目标检测技术的研究综述 [J]. 罗元,王薄宇,陈旭. 半导体光电 . 2020(01)

结合反残差块和YOLOv3的目标检测法 [J]. 焦天驰,李强,林茂松,贺贤珍. 传感器与微系统 . 2019(09)

基于YOLOv3目标跟踪方法 [J]. 李晶,黄山. 电光与控制 . 2019(10)

卷积神经网络研究综述 [J]. 周飞燕,金林鹏,董军. 计算机学报 . 2017(06)

基于深度卷积神经网络的物体识别算法 [J]. 黄斌,卢金金,王建华,吴星明,陈伟海. 计算机应用 . 2016(12)

Deep Neural Network Compression by In-Parallel Pruning-Quantization. [J] . Tung Frederick,Mori Greg. IEEE transactions on pattern analysis and machine intelligence . 2020 (3)

Structured Pruning of Deep Convolutional Neural Networks [J] . Sajid Anwar,Kyuyeon Hwang,Wonyong Sung. ACM Journal on Emerging Technologies in Computing . 2017 (3)

浏览量

195

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据