典型文献
一种轻量化YOLOv4的遥感影像桥梁目标检测算法
文献摘要：
深度学习技术发展迅速,在目标检测中表现出良好的适应性.针对YOLOv4算法在遥感影像桥梁目标检测任务中的检测效率较低和模型轻量化不足问题,使用轻量化的MobileNetv3骨干网络替换原始CSPDarkNet53骨干网络,将传统卷积层替换为深度超参数化卷积层(DO_Conv),提出一种兼具精度和检测效率的轻量化模型.实验表明:比较原始YOLOv4算法,本文算法将模型权重降低55％,检测效率提升70％以上,证明了本文改进之处的有效性;在精度方面,本文算法在与SSD、RetinaNet、YOLOv3和CenterNet等经典目标检测算法比较中仍保持精度优势.与YOLOv4算法相比,本文算法在难度较低的检测任务中精度损失较低,但在检测难度较高的DOTA桥梁数据集中精度损失明显.
文献关键词：
桥梁目标检测;YOLOv4算法;MobileNetv3算法;深度超参数化卷积;轻量化模型
中图分类号：
作者姓名：
余培东;王鑫;江刚武;刘建辉;徐佰祺
作者机构：
战略支援部队信息工程大学数据与目标工程学院,河南郑州 450001
文献出处：
引用格式：
[1]余培东;王鑫;江刚武;刘建辉;徐佰祺-.一种轻量化YOLOv4的遥感影像桥梁目标检测算法)[J].海洋测绘,2022(02):59-64
A类：
桥梁目标检测
B类：
YOLOv4,遥感影像,目标检测算法,深度学习技术,检测效率,模型轻量化,不足问题,MobileNetv3,骨干网络,CSPDarkNet53,层替换,深度超参数化卷积,参数化卷积层,Conv,轻量化模型,模型权重,SSD,RetinaNet,YOLOv3,CenterNet,算法比较,精度损失,DOTA,失明
AB值：
0.30662
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。
