典型文献
基于改进YOLOv3的多尺度目标检测算法
文献摘要：
为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测.首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络(DenseNet)充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率.在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU(Generalized Intersection over Union)作为损失函数,提高目标识别的精度,降低目标漏检率.实验结果表明,基于改进YOLOv3(You Only Look Once v3)的目标检测算法在Pascal VOC测试集上的平均准确率均值(mAP)达到83.26％,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性.
文献关键词：
目标检测;YOLOv3;多尺度目标;双向特征金字塔;注意力机制
中图分类号：
作者姓名：
张丽莹;庞春江;王新颖;李国亮
作者机构：
华北电力大学(保定)计算机系,河北保定071003;国网山东省电力公司枣庄供电公司,山东枣庄277800
文献出处：
引用格式：
[1]张丽莹;庞春江;王新颖;李国亮-.基于改进YOLOv3的多尺度目标检测算法)[J].计算机应用,2022(08):2423-2431
A类：
B类：
YOLOv3,多尺度目标检测,目标检测算法,小目标检测,重复检测,算法实现,自动检测,特征提取网络,残差模块,空间维度,注意力机制,密集连接网络,DenseNet,充分融合,深度可分离卷积,主干网络,参数量,检测速率,特征融合网络,金字塔结构,深浅,双向融合,多尺度特征,损失函数,GIoU,Generalized,Intersection,over,Union,目标识别,漏检率,You,Only,Look,Once,Pascal,VOC,测试集,平均准确率,mAP,百分点,检测速度,frame,COCO,双向特征金字塔
AB值：
0.367626
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。
