典型文献
基于改进YOLOv4-tiny的舰面多目标检测算法
文献摘要：
针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny的舰面多目标检测算法.在卷积神经网络中引入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling,SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish激活函数替代Leaky ReLU激活函数以获得更好的泛化能力.实验结果表明:5类舰面目标的平均检测精度为92.22%,接近YOLOv4算法的96.48%,而检测速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4的18帧/s;该算法能较好地平衡准确率和速度的关系,可以对舰面目标进行实时检测.
文献关键词：
卷积神经网络;注意力机制;目标检测;空间金字塔池化;舰面目标
中图分类号：
作者姓名：
汪丁;黄葵;朱兴动;范加利;王正
作者机构：
海军航空大学青岛校区,山东 青岛 266041;海军航空大学,山东 烟台 264001
文献出处：
引用格式：
[1]汪丁;黄葵;朱兴动;范加利;王正-.基于改进YOLOv4-tiny的舰面多目标检测算法)[J].兵工自动化,2022(10):1-6
A类：
B类：
YOLOv4,tiny,多目标检测,目标检测算法,检测问题,卷积注意力模块,convolutional,block,attention,module,CBAM,合通,通道特征,空间特征,舰面目标,背景特征,背景干扰,干扰能力,标尺,尺度变化,空间金字塔池化,spatial,pyramid,pooling,SPP,不同尺度,同大,小目标,检测能力,Mish,激活函数,Leaky,ReLU,泛化能力,检测精度,检测速度,frames,per,second,FPS,地平,实时检测,注意力机制
AB值：
0.391527
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。
