典型文献
改进YOLO轻量化网络的行人检测算法
文献摘要：
针对当前行人检测方法计算量大、检测精度低的问题,基于YOLOv4-tiny提出一种改进的行人检测算法.引入通道注意力和空间注意力模块(CBAM)至CSPDarknet53-tiny网络中,通过学习图像的位置信息和通道信息得到更加丰富的特征;在骨干网络CSPDarknet53-tiny之后引入空间金字塔池化模块,能够极大地增加感受野,分离出最显著的上下文特征;使用CIoU损失函数对算法的多任务联合损失进行了优化.实验分别使用INRIA和WiderPerson中的训练集作为训练模型,INRIA和WiderPerson中的测试集分别作为测试集来验证模型.实验表明,对比YOLOv4-tiny目标检测模型,改进后的网络在INRIA测试集中精确度、召回率和平均精度值分别提升了6.23％、3.15％和6.12％;改进后的网络在WiderPerson测试集中精确度、召回率和平均精度值分别提升了3.65％、3.28％和4.41％.改进后的模型在几乎不影响检测实时性的前提下,更易于行人特征提取,提高了检测精度.
文献关键词：
深度学习;行人检测;YOLOv4-tiny;注意力机制
中图分类号：
作者姓名：
常青;韩文;王清华;李振华
作者机构：
南京理工大学理学院,江苏南京210094;南京林业大学信息科学技术学院,江苏南京210037
文献出处：
引用格式：
[1]常青;韩文;王清华;李振华-.改进YOLO轻量化网络的行人检测算法)[J].光学技术,2022(01):80-85
A类：
WiderPerson
B类：
轻量化网络,行人检测,检测算法,计算量,检测精度,YOLOv4,tiny,通道注意力,空间注意力,注意力模块,CBAM,CSPDarknet53,位置信息,骨干网络,空间金字塔池化,金字塔池化模块,感受野,上下文特征,CIoU,损失函数,多任务,联合损失,INRIA,训练集,训练模型,测试集,验证模型,目标检测模型,召回率,平均精度值,注意力机制
AB值：
0.342683
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。
