典型文献
基于数据增强的高原鼠兔目标检测
文献摘要：
针对基于卷积神经网络的高原鼠兔目标检测模型在实际应用中缺乏训练数据的问题,提出一种前景与背景融合的数据增强方法:首先对训练集数据进行前景和背景的分离,对分离的前景作图像随机变换,对分离的背景用背景像素随机覆盖,得到前景集合和背景集合;从前景集合和背景集合中随机选取前景和背景,进行像素加融合;再从训练集中随机选取样本,将标注边界框区域采用剪切粘贴方法融合到训练图像的随机位置,得到增强数据集.采用两阶段的弱监督迁移学习训练模型,第一阶段在增强数据集上对模型预训练;第二阶段在原始训练集上微调预训练模型,得到检测模型.对自然场景下高原鼠兔目标检测的结果表明:在相同的试验条件下,基于前景与背景融合数据增强的目标检测模型的平均精度优于未数据增强、Mosaic和CutOut数据增强的目标检测模型;基于前景、背景融合数据增强的目标检测模型的最优平均精度为78.4％,高于Mosaic的72.60％、Cutout的75.86％和Random Erasing的77.4％.
文献关键词：
高原鼠兔;样本缺乏;数据增强;迁移学习;样本平衡
中图分类号：
作者姓名：
陈海燕;甄霞军;赵涛涛
作者机构：
兰州理工大学计算机与通信学院,甘肃兰州 730050
文献出处：
引用格式：
[1]陈海燕;甄霞军;赵涛涛-.基于数据增强的高原鼠兔目标检测)[J].湖南农业大学学报（自然科学版）,2022(04):496-500
A类：
CutOut,Erasing
B类：
数据增强,高原鼠兔,目标检测模型,训练数据,背景融合,增强方法,训练集,作图,机变,景像,像素,从前,行像,边界框,粘贴,方法融合,合到,训练图像,机位,两阶段,弱监督,迁移学习,学习训练,第一阶段,第二阶段,微调,预训练模型,自然场景,试验条件,融合数据,Mosaic,Cutout,Random,样本缺乏,样本平衡
AB值：
0.352539
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。
