典型文献
改进YOLO v4模型在鱼类目标检测上的应用研究
文献摘要：
鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义.为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函数基础上构建了新的损失项,改进的损失函数使真实框与相交框呈相同宽高比进行回归,同时通过设置多锚点框模式,增强在特定尺寸面积上的检测效果.结果显示:改进YOLO v4模型的mAP(mean Average Precision)比原模型有较大提升,在自建数据集、Fish4Knowledge数据集和NCFM数据集上的mAP分别达到了94.22％、99.52％、92.16％.研究表明,改进YOLO v4模型可以快速准确地检测到鱼的位置和类别,检测速度满足实时的要求,可以为渔业精准养殖等提供参考.
文献关键词：
鱼类目标检测;CIoU损失;损失函数;YOLO v4模型
中图分类号：
作者姓名：
郑宗生;李云飞;卢鹏;邹国良;王振华
作者机构：
上海海洋大学信息学院,上海201306
文献出处：
引用格式：
[1]郑宗生;李云飞;卢鹏;邹国良;王振华-.改进YOLO v4模型在鱼类目标检测上的应用研究)[J].渔业现代化,2022(01):82-88,96
A类：
鱼类目标检测,精准养殖,Fish4Knowledge
B类：
YOLO,v4,渔业,生产自动化,资源调查,快速准确,目标检测方法,CIoU,Complete,Intersection,over,Union,损失函数,损失项,相交,宽高比,锚点框,定尺,检测效果,mAP,mean,Average,Precision,自建数据集,NCFM,检测速度
AB值：
0.344903
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。
