典型文献
改进的YOLOv3算法及其在军事目标检测中的应用
文献摘要:
复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的ResNet50-D残差网络作为特征提取网络,提高网络对形变目标的检测精度和速度;在特征融合阶段引入双注意力机制和特征重构模块,增强目标特征的表征能力,抑制干扰,提升检测精度;利用DIOU损失函数和Focal损失函数重新设计目标检测器的损失函数,进一步提高其对军事目标的检测精度;在军事目标图像数据集中进行测试实验.实验结果表明,改进的YOLOv3算法相比于原YOLOv3算法,平均精度均值提高了2.98%,检测速度提高了8.6帧/s,具有较好的检测性能,可为战场态势生成、分析提供有效的辅助技术支持.
文献关键词:
目标检测;可形变卷积;YOLOv3算法;特征融合;注意力机制
中图分类号:
作者姓名:
于博文;吕明
作者机构:
南京理工大学 自动化学院, 江苏 南京210094
文献出处:
引用格式:
[1]于博文;吕明-.改进的YOLOv3算法及其在军事目标检测中的应用)[J].兵工学报,2022(02):345-354
A类:
B类:
YOLOv3,军事目标,复杂环境,战场态势,态势生成,分析能力,下传,检测性能,目标检测算法,自动检测,建军,标图,图像数据集,类目,测试环境,可形变卷积,ResNet50,残差网络,特征提取网络,检测精度,特征融合,双注意力机制,特征重构,目标特征,表征能力,制干,DIOU,损失函数,Focal,数重,重新设计,设计目标,目标检测器,测试实验,平均精度均值,检测速度,辅助技术
AB值:
0.340921
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。