典型文献
结合数据增强和改进YOLOv4的水下目标检测算法
文献摘要：
针对水下低质量成像、水下目标形态大小各异、以及水下目标重叠或遮挡导致水下目标检测精度低的问题,提出一种结合数据增强和改进YOLOv4(you look only once)的水下目标检测算法,在YOLOv4的主干特征提取网络CSPDarknet53中添加卷积块注意力机制(convolutional block attention module,CBAM),以提高网络模型特征提取能力;在路径聚合网络(path aggregation network,PANet)中添加同层跳接和跨层跳接结构,以增强网络模型多尺度特征融合能力;通过数据增强方法PredMix(prediction-mix)模拟水下生物重叠、遮挡等显示不完全的情形,以增强网络模型鲁棒性.实验结果表明,结合数据增强和改进YOLOv4的水下目标检测算法在URPC2018(underwater robot picking control 2018)数据集上的检测精度提升到了78.39％,比YOLOv4高出7.03％,充分证明所提算法的有效性.
文献关键词：
深度学习;目标检测;YOLOv4;水下检测
中图分类号：
作者姓名：
史朋飞;韩松;倪建军;杨鑫
作者机构：
河海大学物联网工程学院 常州 213022
文献出处：
引用格式：
[1]史朋飞;韩松;倪建军;杨鑫-.结合数据增强和改进YOLOv4的水下目标检测算法)[J].电子测量与仪器学报,2022(03):113-121
A类：
PredMix,URPC2018
B类：
数据增强,YOLOv4,水下目标检测,目标检测算法,低质量,目标重叠,遮挡,检测精度,you,look,only,once,主干特征提取网络,CSPDarknet53,加卷,卷积块注意力机制,convolutional,block,attention,module,CBAM,模型特征,特征提取能力,路径聚合网络,path,aggregation,network,PANet,跨层,多尺度特征融合,融合能力,增强方法,prediction,mix,模型鲁棒性,underwater,robot,picking,control,精度提升,充分证明,水下检测
AB值：
0.420619
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。
