基于改进YOLOv3的轻量化神经网络算法研究

摘要：

对于小样本数据集,YOLOv3神经网络框架在训练时存在特征利用率和特征传递效率低的问题,其网络性能得不到充分利用,为解决这些问题,该研究提出基于改进的YOLOv3轻量化神经网络模型,该网络模型将YOLOv3基础框架中的ResNet残差网络结构改为DenseNet的密集串联结构,并将多尺度输出结构删减到2个.在自制麻将子数据集上的实验表明,改进YOLOv3的神经网络的每秒计算帧数(FPS)对比改进前提升了 119.03％,预测目标与实际对象交并比(IoU)在0.5以上的平均检测精确度(mAP-50)提升了 2.45％.将改进模型推广至开源数据集Kaggle以及Caltech上,改进模型相比原模型的每秒计算帧数分别提升了 124.39％、140.05％,预测目标与实际对象交并比在0.5以上的平均检测精度分别提升了 12.5％、5.34％.

关键词：轻量化神经网络、YOLOv3、ResNet、DenseNet、残差网络、密集串联、检测识别

所属期刊栏目：55

分类号：TP183(自动化基础理论)

资助基金：湖北省科技厅重大专项项目2017ACA105

在线出版日期：2021-05-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：181-188