基于YOLOv3算法的训练集优化和检测方法的研究

摘要：

YOLOv3是一种单步目标检测算法,不需要产生区域候选网络(RPN)来提取目标信息,相对于双步目标检测算法具有更快的检测速度.但是,现有算法在小目标检测上存在精度不高和漏检现象的问题,为此提出了一种基于YOLOv3算法的训练集优化和图层处理的检测方法.首先在标准数据集VOC2007+2012和自建的举手行为数据集上采用K-means算法做聚类分析,以得到适应数据集训练尺寸的anchor大小;然后通过调整训练参数及选择合理的标签标注方式进行训练;最后对输入图像进行图层处理并进行目标检测.实验结果表明,聚类分析后VOC2007验证集的平均准确度(mAP)提高了1.4％,并有效解决了原算法在检测过程中较高卷积层上感受野小的问题,从而使YOLOv3算法在小目标物体的检测上精度提高,漏检率也相对下降.

关键词：YOLOv3、anchor、小目标检测、聚类分析

所属期刊栏目：42

分类号：TP391.4(计算技术、计算机技术)

资助基金：天津市自然科学基金;河北省高等学校科学技术研究重点项目

在线出版日期：2020-03-25（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：103-109