典型文献
改进YOLOv3的安全帽佩戴检测方法
文献摘要：
针对目前安全帽佩戴检测模型在复杂环境下对于密集目标和遮挡目标存在漏检的问题,基于YOLOv3框架,提出了一种新的安全帽佩戴检测算法YOLOv3-H.YOLOv3-H算法在主干网络提取的3个特征层后加入多尺度自注意力机制,提升模型捕捉有用信息的能力;同时对K-means聚类算法进行优化,获得适合安全帽佩戴检测的最优先验框,从而提升网络模型的检测精度;最后采用GIOULoss作为目标定位损失函数,使得网络可以沿着预测框与真实框重叠度高的方向进行优化,从而加快模型的收敛速度.在Safety Helmet Wearing detect公开数据集上进行实验,结果表明,YOLOv3-H算法相比原有YOLOv3,平均检测精度提升了 7.05％.
文献关键词：
安全帽佩戴检测;多尺度自注意力机制;聚类算法;损失函数
中图分类号：
作者姓名：
李振华;张雷
作者机构：
江苏理工学院电气信息工程学院 常州213001
文献出处：
引用格式：
[1]李振华;张雷-.改进YOLOv3的安全帽佩戴检测方法)[J].国外电子测量技术,2022(12):148-155
A类：
多尺度自注意力机制,GIOULoss
B类：
YOLOv3,安全帽佩戴检测,检测模型,复杂环境,密集目标,遮挡目标,漏检,检测算法,主干网络,means,聚类算法,先验框,检测精度,目标定位损失,损失函数,重叠度,收敛速度,Safety,Helmet,Wearing,detect,公开数据集,精度提升
AB值：
0.284168
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。
