典型文献
基于MM-YOLOv4的无人机目标检测算法
文献摘要：
针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法.首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K-means方法对目标锚框进行参数优化,提升检测效率.同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone-dataset,并基于数据增强的方法开展算法性能实验.实验结果表明,该算法的mAP达到了91.58％,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R-CNN算法,实现了对多尺度无人机目标的快速检测.
文献关键词：
无人机;目标检测;轻量级网络;改进多尺度结构
中图分类号：
作者姓名：
程千顷;王红军
作者机构：
国防科技大学电子对抗学院,合肥,230037
文献出处：
引用格式：
[1]程千顷;王红军-.基于MM-YOLOv4的无人机目标检测算法)[J].空军工程大学学报,2022(05):90-95
A类：
改进多尺度结构
B类：
MM,YOLOv4,无人机目标检测,目标检测算法,标图,图像检测,检测速度,过慢,轻量级网络,MobileNetV3,主干网络,模型复杂度,PANet,高维,图像特征,低维,小目标,定位精度,means,锚框,检测效率,公开数据集,拍摄方式,图像数据集,Drone,dataset,数据增强,算法性能,性能实验,mAP,FPS,参数量,SSD,Faster,快速检测
AB值：
0.377272
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。
