典型文献
引入高斯掩码自注意力模块的YOLOv3目标检测方法
文献摘要：
基于行车图像的目标检测方法为感知周围的道路环境提供了便宜、有效的解决方案,但同时也对检测效果和检测速度提出了较高要求.本文针对基于深度学习的一阶段目标检测算法YOLOv3展开研究,结合自注意力机制,在其网络深层结构中嵌入高斯掩码自注意力模块,缓解卷积操作感受野不足的缺陷,以捕捉更多的全局信息,提高算法的检测效果.实验结果表明,改进后的模型在MS COCO 2017数据集上训练结果的mAP@0.5达到56.88％,精度达到65.31％.与YOLOv3相比,mAP@0.5提高了2.56％,精度提高了3.53％.虽然检测速度有一些损失,但有效提高了模型的检测效果,能够更好地支撑辅助驾驶等应用.
文献关键词：
目标检测;YOLOv3网络;自注意力;辅助驾驶
中图分类号：
作者姓名：
孔雅洁;张叶
作者机构：
中国科学院长春光学精密机械与物理研究所应用光学国家重点实验室,吉林长春130033;中国科学院大学,北京100049
文献出处：
引用格式：
[1]孔雅洁;张叶-.引入高斯掩码自注意力模块的YOLOv3目标检测方法)[J].液晶与显示,2022(04):539-548
A类：
B类：
掩码,自注意力模块,YOLOv3,目标检测方法,道路环境,便宜,检测效果,检测速度,目标检测算法,自注意力机制,深层结构,解卷积,卷积操作,感受野,全局信息,COCO,mAP,地支,辅助驾驶
AB值：
0.309788
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。
