典型文献
基于改进YOLOv5的复杂场景多目标检测
文献摘要：
针对多目标图像检测环境复杂、目标物位置数据冗余且长宽高数据大小不一的问题,利用神经网络算法可以有效提高不同类目标物并行检测的准确度和稳定性,提出一种基于改进YOLOv5网络的多目标检测方法.首先依据不同目标物的空间尺度大小,改进模型的特征融合方法,添加多尺度特征检测层以减小多目标检测时的误差,同时增加自适应特征增强模块(adaptive feature adjustment),降低网络的误检率与漏检率;然后使用K-means++算法估计候选框,获得更优的框参数;最后在损失函数中使用EIOU(efficient IOU loss)做优化.实验表明:改进后的方法mAP(mean average precision)达到76.48％,相比经典YOLOv5网络提升了3.2％,小尺寸目标物检测准确度均值增加6.3％.改进方法网络延续YOLOv5网络的轻量高效,对于多尺度目标物检测获得更优的检测精度,能够实现更准确的实时多目标检测.
文献关键词：
神经网络;多目标检测;YOLOv5;自适应特征增强;损失函数优化
中图分类号：
作者姓名：
强栋;王占刚
作者机构：
北京信息科技大学信息与通信工程学院 北京100101
文献出处：
引用格式：
[1]强栋;王占刚-.基于改进YOLOv5的复杂场景多目标检测)[J].电子测量技术,2022(23):82-90
A类：
自适应特征增强
B类：
YOLOv5,复杂场景,多目标检测,标图,图像检测,检测环境,环境复杂,位置数据,数据冗余,长宽,大小不一,神经网络算法,类目,并行检测,目标检测方法,空间尺度,改进模型,特征融合,融合方法,多尺度特征,特征检测,检测层,特征增强模块,adaptive,feature,adjustment,误检率,漏检率,means++,候选框,EIOU,efficient,loss,mAP,average,precision,小尺寸,检测准确度,改进方法,法网,多尺度目标,检测精度,损失函数优化
AB值：
0.472272
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。
