典型文献
基于轻量级神经网络的目标检测研究
文献摘要：
由于以CSPDarknet53为主干的YOLOv4神经网络参数量巨大,将其移植至手机等小型设备上时会降低其检测精度和速度,为了提高检测速度同时将检测精度控制在合理范围内,提出将原有的53层神经网络改为15层,并对其中的聚类算法进行优化,引入K-means++聚类算法对数据集进行分析,生成满足检测条件的Anchor Box;使用在负区间带有一定斜率的LeakyReLU激活函数代替存在梯度消失问题的Sigmoid激活函数,从而增强浅层网络的学习能力;同时考虑到Bounding Box与Anchor Box之间的中心距和宽高比具有一定的相关性,提出在原有损失函数的基础上增加相应的惩罚项生成LCIoU损失函数,使损失函数在反向传播时梯度下降的方向性更好.实验结果表明,改进后的CSPDarknet15神经网络在VOC2007数据集上检测的平均精度达到83.94％,检测一幅图像的时间为3625 ms,与CSPDark-net53神经网络相比,检测速度提高了54.43％,能满足小型设备实时检测的速度和精度要求.
文献关键词：
YOLOv4神经网络;K-means++聚类算法;LeakyReLU激活函数;LCIoU损失函数
中图分类号：
作者姓名：
黄志强;李军;张世义
作者机构：
重庆交通大学机电与车辆工程学院,重庆 400074;重庆交通大学航运与船舶工程学院,重庆 400074
文献出处：
引用格式：
[1]黄志强;李军;张世义-.基于轻量级神经网络的目标检测研究)[J].计算机工程与科学,2022(07):1265-1272
A类：
LCIoU,CSPDarknet15,CSPDark,net53
B类：
轻量级神经网络,目标检测,CSPDarknet53,YOLOv4,网络参数,参数量,检测精度,高检,检测速度,精度控制,合理范围,聚类算法,means++,检测条件,Anchor,Box,LeakyReLU,激活函数,数代,梯度消失,Sigmoid,Bounding,中心距,宽高比,有损,损失函数,反向传播,梯度下降,方向性,VOC2007,一幅,ms,实时检测,精度要求
AB值：
0.390892
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
