基于改进卷积神经网络的交通场景小目标检测

摘要：

针对复杂交通场景中的小尺度车辆检测问题,提出改进的YOLOv3目标检测方法(S-YOLOv3).使用ResNet网络优化YOLOv3的Darknet-53特征提取结构,采用特征金字塔网络获取目标的4个尺度特征以融合浅层特征和深层特征信息,并根据检测目标的大小调整损失函数的影响权重,从而增强小目标及相互遮挡物体的检测效果.在KITTI数据集上的实验结果表明,S-YOLOv3方法的检测速度和平均精度均值分别为52.45 frame/s和93.30％,相比YOLOv3方法在保证小目标检测实时性的同时具有更高的检测精度.

关键词：改进的YOLOv3方法、特征提取、多尺度融合、损失函数、小目标检测

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金面上项目;中央高校基本科研业务费专项资金;山东省自然科学基金面上项目

在线出版日期：2020-07-07（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：26-33