典型文献
基于MAML算法的YOLOv3目标检测模型
文献摘要：
作为典型的一体化卷积神经网络,YOLOv3模型的网路传输途径简单,检测速度相对较快,但检测精度较低.当遇到新的目标在训练数据集中存在的样本较少时,模型检测会更加不准确,甚至会出现检测不到的情况.本文基于与模型不相关的元学习算法(MAML)改进了YOLOv3主干网络的结构,使其具有内循环和外循环的梯度下降,在初始参数基础上进行多步的梯度调整,达到仅用小样本数据就能快速收敛的目的.实验结果表明,该方法使得YOLOv3模型的检测精度提升了5.24％,且可以使梯度下降保持稳定,有效地满足YOLOv3模型在小样本数据训练情况下识别目标位置的精准性和泛化性.
文献关键词：
计算机视觉;图像识别;特征提取;目标检测;小样本学习
中图分类号：
作者姓名：
沈震宇;朱昌明;王喆
作者机构：
上海海事大学信息工程学院,上海 202010;华东理工大学信息科学与工程学院,上海 200237
文献出处：
引用格式：
[1]沈震宇;朱昌明;王喆-.基于MAML算法的YOLOv3目标检测模型)[J].华东理工大学学报（自然科学版）,2022(01):112-119
A类：
B类：
MAML,YOLOv3,目标检测模型,网路,检测速度,检测精度,训练数据集,少时,模型检测,检测不到,不相关,元学习,主干网络,内循环,外循环,梯度下降,多步,小样本数据,快速收敛,精度提升,数据训练,目标位置,精准性,泛化性,计算机视觉,图像识别,小样本学习
AB值：
0.404469
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。
