典型文献
基于改进YOLOv3的交通标志检测
文献摘要：
针对交通标志检测小目标数量多、定位困难及检测精度低等问题,本文提出一种基于改进YOLOv3的交通标志检测算法.首先,在网络结构中引入空间金字塔池化模块对3个尺度的预测特征图进行分块池化操作,提取出相同维度的输出,解决多尺度预测中可能出现的信息丢失和尺度不统一问题;然后,加入FI模块对3个尺度特征图进行信息融合,将浅层大特征图中包含的小目标信息添加到深层小特征图中,从而提高小目标检测精度.针对交通标志数据集特点,使用基于GIoU改进的TIoU作为边界框损失函数替换MSE函数,使得边界框回归更加准确;最后,通过k-means++算法对TT100K交通标志数据集进行聚类分析,重新生成尺寸更小的候选框.实验结果表明,本文算法与原始YOLOv3算法相比mAP提升11.1％,且检测每张图片耗时仅增加6.6ms,仍符合实时检测要求.与其他先进算法相比,本文算法具有更好的检测精度和检测速度.
文献关键词：
小目标检测;交通标志;YOLOv3;信息融合;TIoU
中图分类号：
作者姓名：
王卜;何扬
作者机构：
四川大学计算机学院,成都610065;四川大学视觉合成图形图像技术重点学科实验室,成都610065
文献出处：
引用格式：
[1]王卜;何扬-.基于改进YOLOv3的交通标志检测)[J].四川大学学报（自然科学版）,2022(01):51-61
A类：
TIoU
B类：
YOLOv3,交通标志检测,检测精度,检测算法,空间金字塔池化,金字塔池化模块,特征图,分块,池化操作,多尺度预测,信息丢失,FI,尺度特征,信息融合,目标信息,高小,小目标检测,GIoU,损失函数,MSE,边界框回归,means++,TT100K,候选框,mAP,每张,6ms,实时检测,检测要求,检测速度
AB值：
0.342685
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。
