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! |
|