典型文献
基于改进YOLOv4算法的高压塔鸟巢检测
文献摘要：
针对现有算法对高压塔上鸟巢检测存在参数量过大,实时性不足及对小目标检测能力较弱的问题,提出了一种改进的YOLOv4算法.首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络,减少算法的参数量且提升检测速度;同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块,增强网络对目标特征提取能力.然后,对PANet网络进行改进,获取更多的细节特征信息,提高对小目标鸟巢的检测能力.最后,使用Focal Loss函数优化损失函数,降低大量简单背景样本训练的权重,提升对小目标鸟巢困难样本训练的侧重,进一步提高对小目标鸟巢的检测能力.实验结果表明,较原始的YOLOv4算法,改进后的YOLOv4算法的参数量减少了48.1％,检测速度和精度分别提高了 12.9 fps和2.33％.即改进后的YOLOv4算法大幅度减少了算法参数量,且对鸟巢的检测拥有更好的检测性能.
文献关键词：
参数量;逆残差网络;细节特征;检测能力
中图分类号：
作者姓名：
谢国波;郑晓锋;林志毅;林立;文刚
作者机构：
广东工业大学计算机学院 广州510006;云南电网有限责任公司电力科学研究院 昆明650000
文献出处：
引用格式：
[1]谢国波;郑晓锋;林志毅;林立;文刚-.基于改进YOLOv4算法的高压塔鸟巢检测)[J].电子测量技术,2022(18):145-152
A类：
逆残差网络
B类：
YOLOv4,高压塔,鸟巢,参数量,量过大,小目标检测,检测能力,Mobilenetv2,CSPDarknet53,主干网络,少算,检测速度,Coordinate,Attention,目标特征,特征提取能力,PANet,细节特征,特征信息,Focal,Loss,函数优化,优化损失函数,样本训练,困难样本,fps,算法参数,检测性能
AB值：
0.360262
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。
