实时目标检测算法YOLO的批再规范化处理

被引：14

作者：

温捷文

战荫伟

凌伟林

郭灿樟

机构：

[1] 广东工业大学计算机学院

来源：

计算机应用研究 | 2018年 / 35卷 / 10期

关键词：

目标检测; 深度学习; 卷积神经网络; 批再规范化; YOLO;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

实时目标检测YOLO(you only look once)算法存在检测精度低和网络模型训练速度慢等问题,对此,结合批再规范化算法处理小批样本以及非独立同分布数据的优势,引入批再规范化处理对YOLO网络结构予以改进,即把卷积层中经卷积运算产生的特征图看做神经元,并对其进行规范化处理。同时,在网络结构中移除dropout,并增大网络训练的学习率。实验结果表明,该改进算法相对于原YOLO算法具有更高的检测精度、更快的实时检测速度,并且通过适当设置批样本大小可使网络模型在训练时间和硬件设备方面成本有一定的降低。

引用

页码：3179 / 3185

页数：7

共 10 条

[1] 深度学习应用技术研究[J].毛勇华,桂小林,李前,贺兴时. 计算机应用研究.2016(11)
[2] 深度学习研究进展[J].刘建伟,刘媛,罗雄麟. 计算机应用研究.2014(07)
[3] FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks[J].RenShaoqing,HeKaiming,GirshickRoss,SunJian. IEEEtransactionsonpatternanalysisandmachineintelligence.2017(6)
[4] ImageNetclassificationwithdeepconvolutionalneuralnetworks[J].AlexKrizhevsky,IlyaSutskever,GeoffreyE.Hinton. CommunicationsoftheACM.2017(6)
[5] SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition[J].HeKaiming,ZhangXiangyu,RenShaoqing,SunJian. IEEEtransactionsonpatternanalysisandmachineintelligence.2015(9)
[6] SelectiveSearchforObjectRecognition[J].J.R.R.Uijlings,K.E.A.Sande,T.Gevers,A.W.M.Smeulders. InternationalJournalofComputerVision.2013(2)
[7] AdaptiveSubgradientMethodsforOnlineLearningandStochasticOptimization[J].JohnC.Duchi,EladHazan,YoramSinger. JournalofMachineLearningResearch.2011
[8] Objectdetectionwithdiscriminativelytrainedpart-basedmodels[J].FelzenszwalbPedroF,GirshickRossB,McAllesterDavid,RamananDeva. IEEEtransactionsonpatternanalysisandmachineintelligence.2010(9)
[9] DistinctiveImageFeaturesfromScale-InvariantKeypoints[J].DavidG.Lowe. InternationalJournalofComputerVision.2004(2)
[10] Imagenet:Alarge-scalehierarchicalimagedatabase.2DengJ,DongW,SocherR,etal.IEEEConferenceonComputerVisionandPatternRecognition(CVPR).2009

← 1 →