士兵目标的少样本深度学习检测方法

摘要：

针对敌士兵数据集样本较少的问题,提出一种基于YOLOv3的少样本深度学习目标检测方法.利用数据增广提高少样本目标检测模型的鲁棒性,改进网络结构将浅层网络特征图跨层连接至深层网络,采用k-means聚类获取适合士兵目标特性的锚点框,利用预训练提高模型训练收敛速度.实验结果表明,本文方法对少样本敌士兵目标检测成功率mAP达到85.6％、检测精度IOU达到82.18％,且对小型和遮挡目标检测效果较好;部署在NVIDIA TITAN V GPU计算机和NVIDIA Xavier嵌入式计算平台上的检测速度分别达到54.6和26.8 fps,实时性好.

关键词：兵器科学与技术、深度学习、目标检测、目标跟踪

所属期刊栏目：41

分类号：TP23(自动化技术及设备)

资助基金：国家部委基础科研项目（非规范姓名名称）JCKY2019602C015

在线出版日期：2021-07-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：629-635