首页 | 本学科首页   官方微博 | 高级检索  
     检索      

改进的YOLO V3算法及其在小目标检测中的应用
引用本文:鞠默然,罗海波,王仲博,何淼,常铮,惠斌.改进的YOLO V3算法及其在小目标检测中的应用[J].光学学报,2019,39(7):245-252.
作者姓名:鞠默然  罗海波  王仲博  何淼  常铮  惠斌
作者单位:中国科学院沈阳自动化研究所,辽宁沈阳110016;中国科学院机器人与智能制造创新研究院,辽宁沈阳110016;中国科学院大学,北京100049;中国科学院光电信息处理重点实验室,辽宁沈阳110016;辽宁省图像理解与视觉计算重点实验室,辽宁沈阳110016;中国科学院沈阳自动化研究所,辽宁沈阳110016;中国科学院机器人与智能制造创新研究院,辽宁沈阳110016;中国科学院光电信息处理重点实验室,辽宁沈阳110016;辽宁省图像理解与视觉计算重点实验室,辽宁沈阳110016
摘    要:针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。

关 键 词:机器视觉  小目标检测  YOLO  V3  VEDAI数据集  K-means聚类算法
本文献已被 CNKI 万方数据 等数据库收录!
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号