典型文献
基于改进YOLOv3的小目标检测方法研究
文献摘要：
针对YOLOv3算法在小目标上检测效果不佳,漏检率较高的问题,提出一种改进YOLOv3网络结构的小目标识别方法.首先,利用优化的K-means聚类方法弥补原聚类算法中对聚类中心的初始位置敏感问题;然后,对数据集中的标注目标进行聚类分析选取优化的聚类锚点框宽高维度作为改进YOLOv3网络的初始候选框;其次,对Darknet—53网络结构进行调整,在主干网络最后增加2个1×1和3×3卷积层;最后,将YOLOv3网络4倍降采样特征图与经过上采样的8倍降采样特征图进行拼接融入第三个检测层.实验结果表明:改进的YOLOv3算法在小目标检测中平均准确率为78.8％,较原始YOLOv3原始算法平均精确度均值(mAP)提升了5.2％,漏检率降低了4.9％,具有较好的小目标检测效果.
文献关键词：
小目标识别;深度学习;YOLOv3算法;K-means;聚类算法
中图分类号：
作者姓名：
黄开启;刘小荣;黄茂云
作者机构：
江西理工大学电气工程与自动化学院,江西赣州341000
文献出处：
引用格式：
[1]黄开启;刘小荣;黄茂云-.基于改进YOLOv3的小目标检测方法研究)[J].传感器与微系统,2022(04):52-55
A类：
B类：
YOLOv3,小目标检测,目标检测方法,检测效果,漏检率,小目标识别,目标识别方法,means,聚类方法,聚类算法,聚类中心,初始位置,位置敏感,注目,锚点框,高维度,候选框,Darknet,主干网络,卷积层,降采样,特征图,上采样,拼接,第三个,个检,检测层,中平,平均准确率,mAP
AB值：
0.366619
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。
