典型文献
改进的YOLOv4-tiny算法及其在无人机目标检测中的应用
文献摘要：
无人机目标检测可用于反制无人机的场景,为了便于算法在嵌入式设备部署通常需要采用轻量的模型.YOLOv4目标检测算法的轻量化版本YOLOv4-tiny具有较快的检测速度,然而其网络结构较为简单,检测精度偏低.为了进一步提升模型的检测精度,提出了YOLO-L2模型.选用YOLOv4-tiny的主干网络进行特征提取,并采用基于协调注意力机制的路径聚合网络对特征进行融合,融合过程中使用一组可学习的系数进行加权;在最深的特征层嵌入一个级联残差模块ResBlock-L2用来增大感受野并融合不同感受野特征;最后提出了边框损失函数MEIoU来替换CIoU.改进后的算法检测效果更精准,相比于YOLOv4-tiny,在VOC数据集和自制的UAV-L数据集中mAP分别提高了3.19％和3.95％,并且满足实时性的要求.
文献关键词：
目标检测;特征融合;协调注意力;YOLOv4-tiny;无人机;MEIoU
中图分类号：
作者姓名：
杨锐;黄山
作者机构：
四川大学电气工程学院,成都 610000
文献出处：
引用格式：
[1]杨锐;黄山-.改进的YOLOv4-tiny算法及其在无人机目标检测中的应用)[J].电光与控制,2022(12):71-77
A类：
MEIoU
B类：
YOLOv4,tiny,无人机目标检测,反制,嵌入式设备,设备部,目标检测算法,检测速度,较为简单,检测精度,L2,主干网络,协调注意力机制,路径聚合网络,可学,最深,残差模块,ResBlock,感受野,边框损失函数,CIoU,检测效果,VOC,UAV,mAP,特征融合
AB值：
0.335784
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。
