基于改进卷积神经网络的小目标检测算法OA北大核心CSTPCD
对于在检测时存在小尺度检测目标漏检、不精确等问题,提出一种改进的YOLO v4算法模型(F-YOLO v4)。利用改进的K均值聚类算法对数据集进行聚类,使得锚点框的大小更适用于目标检测;采用深度卷积和逐点卷积相结合的方法对通道内和通道间的卷积进行分离,从而改善了原有的残差块;采用通道注意力机制对骨干网络进行改进的同时在PANet网络中添加RFB模块,增强特征提取能力,从而提高了对小目标的检测效果。实验结果表明,F-YOLO v4算法在KITTI数据集上平均精度均值达到了93.67%,与原算法对比提高了1.52百分点,并且比较目前其他主流网络有着较高的精确度。
张明;余志强;
北京全路通信信号研究设计院集团有限公司,北京100070 石家庄铁道大学电气与电子工程学院,河北石家庄050043北京全路通信信号研究设计院集团有限公司,北京100070 石家庄铁道大学电气与电子工程学院,河北石家庄050043 石家庄铁道大学河北省电磁环境效应与信息处理重点实验室,河北石家庄050043
计算机与自动化
改进的YOLO v4算法深度可分离卷积注意力机制RFB模块小目标检测
《计算机应用与软件》 2024 (009)
P.166-174 / 9
国家自然科学基金项目(11872257);河北省自然科学基金面上项目(E2018210144);河北省重点研发计划项目(20354501D);石家庄市军民融合项目(201060104A);国家轨道交通电磁环境效应研究与测试平台建设项目(50200011800)。
评论