典型文献
基于YOLO v3的落水人员检测
文献摘要：
针对落水人员所处水域的复杂性以及波纹、阳光等因素导致对落水人员检测的准确率较低,以及在检测小目标时,经典检测算法易出现误检漏检情况,提出一种改进的YOLO v3目标检测算法.使用k-means++聚类算法对自有落水人员数据集进行聚类,得到更适合落水人员的锚框,从而提高检测速度与精度;在网络中加入通道注意力机制模块,其关注通道信息,可以学习到不同通道特征的重要程度,根据重要程度为每个通道分配相应的权重,从而让网络关注重要的特征,抑制不重要的特征,提高重要特征的表征能力;引入感受野模块(RFB)来增大浅层特征图的感受野,从而提高小目标检测精度.最后,在自制的落水人员数据集上对该算法进行了验证,结果表明,该算法在检测效果上优于原始YOLO v3.
文献关键词：
YOLO v3;聚类;感受野模块;注意力机制;目标检测
中图分类号：
作者姓名：
许晓峰;陈姚节;刘恒
作者机构：
武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;智能信息处理与实时工业系统湖北省重点实验室,湖北 武汉 430065
文献出处：
引用格式：
[1]许晓峰;陈姚节;刘恒-.基于YOLO v3的落水人员检测)[J].计算机技术与发展,2022(08):49-54
A类：
B类：
YOLO,v3,落水人员,人员检测,水域,波纹,检漏,漏检,目标检测算法,means++,聚类算法,自有,锚框,高检,检测速度,通道注意力机制,注意力机制模块,通道特征,重要程度,网络关注,不重,表征能力,感受野模块,RFB,特征图,高小,小目标检测,检测精度,检测效果
AB值：
0.340583
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。
