典型文献
YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测
文献摘要：
提升目标检测模型的泛化能力是计算机视觉领域的研究热点和关键难点.本文提出了一种Multi-Patch方法和多帧增量式预测策略,提升了不同场景下交通视频目标检测的稳健性,有效解决了目标尺度多变导致的视频中目标召回率低的问题.根据视频分辨率和目标尺寸,基于Multi-Patch方法自动将视频帧分割成最佳输入尺寸,使用YOLO v4神经网络并关联连续帧的上下文信息,采用增量式预测策略降低视频目标检测的漏检率,提升不同场景下视频目标的检测置信度得分和召回率.采集不同拍摄条件下的交通视频,验证该方法的有效性.试验结果表明,本文提出的目标检测方法召回率在80％以上,置信度平均得分在0.84以上.
文献关键词：
视频目标检测;多帧融合;YOLO v4;卷积神经网络
中图分类号：
作者姓名：
文奴;郭仁忠;贺彪;万远
作者机构：
深圳大学建筑与城市规划学院,广东 深圳518061;深圳大学智慧城市研究院,广东 深圳518061;粤港澳智慧城市联合实验室,广东 深圳518061;城市国土资源监测与仿真重点实验室,广东 深圳518034;湖北师范大学城市与环境学院,湖北 黄石435002
文献出处：
引用格式：
[1]文奴;郭仁忠;贺彪;万远-.YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测)[J].测绘通报,2022(05):38-44
A类：
多帧融合
B类：
YOLO,v4,Multi,Patch,增量式,交通视频,视频目标检测,提升目标,目标检测模型,泛化能力,计算机视觉,预测策略,同场,标尺,召回率,视频帧,割成,上下文信息,漏检率,置信度,目标检测方法
AB值：
0.265346
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。
