基于改进YOLOv3的小目标检测方法研究

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.

关键词：小目标识别、深度学习、YOLOv3算法、K-means、聚类算法

所属期刊栏目：41

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61164009

在线出版日期：2022-04-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：52-55