典型文献
结合注意机制和多尺度卷积的YOLO行人检测
文献摘要：
为提高行人检测的检测性能,本文结合SqueezeNet、注意力机制、空洞卷积和Inception等结构,提出一种基于改进YOLOv4的行人检测算法.改进YOLO在特征增强部分引入残差连接和结合空洞卷积的注意力模块D-CBAM,可以从提取到的特征中选择对目标检测重要的信息.此外,结合SqueezeNet的"squeeze-expand"结构和Inception网络的多尺度卷积思想提出Inception-fire模块用于替代网络中的连续卷积层,通过增加网络的宽度达到提升算法性能的效果,同时减少网络的参数.最后,根据行人检测任务的特点并结合Focal loss对损失函数进行改进,分别对正负样本和难易样本添加权重因子,强调对正样本和难分类样本的训练,从而提高网络的检测能力.改进的YOLO算法在INRIA行人数据集上的检测精度能够达到94.95％,相对原YOLOv4提高4.25％,同时参数量减少了36.35％,检测速度也获得13.54％的提升,在行人检测中能够表现出更优秀的性能.
文献关键词：
YOLOv4;注意力机制;SqueezeNet;Inception;ResNet;焦点损失;深度学习;目标检测
中图分类号：
作者姓名：
孙家慧;葛华勇;张哲浩
作者机构：
东华大学信息科学与技术学院,上海201620
文献出处：
引用格式：
[1]孙家慧;葛华勇;张哲浩-.结合注意机制和多尺度卷积的YOLO行人检测)[J].计算机系统应用,2022(04):171-179
A类：
B类：
注意机制,多尺度卷积,行人检测,高行,检测性能,SqueezeNet,注意力机制,空洞卷积,Inception,YOLOv4,检测算法,特征增强,残差连接,注意力模块,CBAM,取到,目标检测,squeeze,expand,fire,卷积层,算法性能,Focal,loss,损失函数,正负样本,难易,权重因子,难分,检测能力,INRIA,检测精度,参数量,检测速度,ResNet,焦点损失
AB值：
0.453758
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。
