典型文献
基于特征增强YOLOv4的无人机检测算法研究
文献摘要：
现有基于深度学习的目标检测方法在面对空中消费级无人机时,存在鲁棒性差、准确率不足等问题.对此,提出一种基于特征增强的YOLOv4目标检测方法—FEM-YOLOv4.首先,针对无人机低、小、慢等特点,改进骨干网络,降低下采样倍数,充分利用包含细粒度信息的浅层特征;其次,加入特征增强模块(feature enhancement module),通过使用不同空洞率的多分支卷积层结构,综合不同深度的语义信息和空间信息,增强小尺度无人机的细节语义特征;另外,利用多尺度融合的特征金字塔结构,突出特征图包含的细节信息和语义信息,提升模型对无人机目标的预测能力;最后,采用K-means++算法对无人机目标候选框的尺寸进行聚类分析.与6种目标检算法进行对比,实验结果表明,FEM-YOLOv4算法的mAP和Recall分别达到89.48％、97.4％,优于其他算法,且平均检测速度为0.042 s.
文献关键词：
卷积神经网络;深度学习;YOLOv4;无人机检测;特征增强模块
中图分类号：
作者姓名：
史雨馨;朱继杰;凌志刚
作者机构：
湖南大学电气与信息工程学院 长沙 410082
文献出处：
引用格式：
[1]史雨馨;朱继杰;凌志刚-.基于特征增强YOLOv4的无人机检测算法研究)[J].电子测量与仪器学报,2022(07):16-23
A类：
B类：
YOLOv4,无人机检测,检测算法,算法研究,目标检测方法,消费级无人机,机时,FEM,骨干网络,下采样,倍数,细粒度信息,特征增强模块,feature,enhancement,module,空洞率,多分支,卷积层,不同深度,语义信息,空间信息,小尺度,语义特征,多尺度融合,特征金字塔结构,突出特征,特征图,细节信息,预测能力,means++,候选框,寸进,检算,mAP,Recall,检测速度
AB值：
0.417635
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。
