改进的YOLO V3算法及其在小目标检测中的应用

被引：154

作者：

鞠默然 ^{[1
,2
,3
,4
,5
]}

罗海波 ^{[1
,2
,4
,5
]}

王仲博 ^{[1
,2
,3
,4
,5
]}

何淼 ^{[1
,2
,3
,4
,5
]}

常铮 ^{[1
,2
,4
,5
]}

惠斌 ^{[1
,2
,4
,5
]}

机构：

[1] 中国科学院沈阳自动化研究所

[2] 中国科学院机器人与智能制造创新研究院

[3] 中国科学院大学

[4] 中国科学院光电信息处理重点实验室

[5] 辽宁省图像理解与视觉计算重点实验室

来源：

光学学报 | 2019年 / 39卷 / 07期

关键词：

机器视觉; 小目标检测; YOLO V3; VEDAI数据集; K-means聚类算法;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。

引用

页码：253 / 260

页数：8

共 8 条

[1] 深度学习研究综述
张荣
李伟平
莫同
[J]. 信息与控制, 2018, 47 (04) : 385 - 397+410
[2] 基于改进SSD的交通大场景多目标检测
华夏
王新晴
王东
马昭烨
邵发明
[J]. 光学学报, 2018, 38 (12) : 221 - 231
[3] 基于深度卷积神经网络的红外船只目标检测方法
王文秀
傅雨田
董峰
李锋
[J]. 光学学报, 2018, 38 (07) : 160 - 166
[4] 基于改进Faster R-CNN的空中目标检测
冯小雨
梅卫
胡大帅
[J]. 光学学报, 2018, 38 (06) : 250 - 258
[5] 基于改进LCM的红外小目标检测算法
张祥越
丁庆海
罗海波
惠斌
常铮
张俊超
[J]. 红外与激光工程, 2017, 46 (07) : 270 - 276
[6] 基于深度学习的目标跟踪方法研究现状与展望
罗海波
许凌云
惠斌
常铮
[J]. 红外与激光工程, 2017, 46 (05) : 14 - 20
[7] Vehicle detection in aerial imagery : A small target detection benchmark[J] . Sebastien Razakarivony,Frederic Jurie.Journal of Visual Communication and Image Represe . 2015
[8] Mask R-CNN. K.He,G.Gkioxari,P.Dollár,et al. IEEE International Conference on Computer Vision . 2017

← 1 →