典型文献
基于改进YOLOv3的自然场景下鸟类检测算法
文献摘要：
针对自然场景下鸟类检测任务中存在模型参数量大、计算量高和正负样本严重不平衡的问题，提出了YOLOBIRDS算法。一方面，对特征提取网络模型进行修改，将标准卷积神经网络结构修改为深度可分离残差模型。另一方面，对损失函数进行修改，将目标框大小与位置损失函数由均方误差修改为广义交并比（CIoU），在置信度损失函数中增加正负样本控制参数。实验结果表明，在衡水湖鸟类数据集中，YOLOBIRDS算法的平均精度均值（mAP）达87.12%，比原算法高2.71个百分点；参数个数达12425917，比原算法低79.88%；速度达32.67 frame/s，比原算法高19.98%。采用该算法训练得到的新模型对鸟类检测的精度更高，检测速度更快，对鸟类检测的整体识别率大幅度提高，平衡了正负样本的损失权重。
文献关键词：
目标检测;深度可分离残差模型;广义交并比损失函数
中图分类号：
作者姓名：
宋子盈;杨奎河;张宇
作者机构：
北京交通大学计算机与信息技术学院，北京 100044;河北科技大学信息科学与工程学院，河北 石家庄 050018
文献出处：
引用格式：
[1]宋子盈;杨奎河;张宇-.基于改进YOLOv3的自然场景下鸟类检测算法)[J].激光与光电子学进展,2022(18):1815013
A类：
YOLOBIRDS,深度可分离残差模型,广义交并比损失函数
B类：
YOLOv3,自然场景,鸟类,检测算法,模型参数量,计算量,正负样本,特征提取网络,标准卷积,神经网络结构,均方误差,CIoU,置信度损失函数,控制参数,衡水湖,平均精度均值,mAP,百分点,数个,frame,算法训练,练得,检测速度,识别率,大幅度提高,失权,目标检测
AB值：
0.291171
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。
