典型文献
基于YOLOv3目标检测的深层特征增强算法
文献摘要：
针对YOLOv3检测算法的深层特征不明显,提出基于YOLOv3目标检测的深层特征增强算法,一是在backbone中引入可变形卷积(Deformable Convolutional Networks),对于不同大小、不同形状的目标,可变形卷积核的采样区域会发生位移,实现自适应采样,以提高深层特征的准确度;二是采用改进的CARAFE(Content-Aware Reassembly of Features)方法代替YOLOv3中的上采样,使得上采样时拥有更大的感受野,得到的深层特征更加丰富;三是在特征金字塔结构中融合CBAM(Convolutional Block Attention Module)的分离模块,使浅层的位置信息和深层的语义信息能够更合理的融合,减少冗余,实现特征增强.在PASCAL VOC2007测试集上的mAP 达到 77.4％(IOU=0.5),相比于 YOLOv3 算法提高了 0.9％.
文献关键词：
YOLOv3;目标检测;可变形卷积;CARAFE;CBAM
中图分类号：
作者姓名：
周德政;赖惠成;李亚东;孙晨皓;汪烈军
作者机构：
新疆大学信息科学与工程学院,乌鲁木齐 830046
文献出处：
引用格式：
[1]周德政;赖惠成;李亚东;孙晨皓;汪烈军-.基于YOLOv3目标检测的深层特征增强算法)[J].激光杂志,2022(11):25-30
A类：
CARAFE,Reassembly
B类：
YOLOv3,目标检测,深层特征,特征增强,增强算法,检测算法,backbone,可变形卷积,Deformable,Convolutional,Networks,同大,卷积核,采样区域,自适应采样,高深,Content,Aware,Features,上采样,感受野,特征金字塔结构,CBAM,Block,Attention,Module,位置信息,语义信息,信息能,更合,PASCAL,VOC2007,测试集,mAP,IOU
AB值：
0.4249
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。
