回归收敛缩放混合的深度迭代复合缩放CNN目标检测算法
针对EfficientDet 算法鲁棒性低、回归损失函数收敛性能差、标签边缘化问题,提出了回归收敛缩放混合的深度迭代复合缩放CNN 目标检测算法.该算法采用2×2 缩放混合正则化方法,增强训练样本,避免训练过拟合,提高模型泛化能力;利用完全交并比损失抑制冗余预测框,将中心点距离和纵横比作为边界框坐标预测的损失函数惩罚项,使卷积神经网络回归更准确,提高了收敛速度和定位精度;设置平滑参数,对边缘化标签分布和均匀分布加权求和生成标签平滑正则化分布,建立类标签平滑交叉熵损失,提高模型的标签容错率.实验结果表明,所提算法的均值平均精度为88.31%,网络模型参数个数为8.10 × 106,相比EfficientDet-D2 算法,均值平均精度提高了3.29%,网络模型参数个数没有增加,相比YOLOv4,YOLOv3,SSD,Fas-ter R-CNN 和Fast R-CNN 算法,均值平均精度分别提升了5.2%,10.71%,14.01%,15.11%和18.30%,网络模型参数个数分别减少了55.94×106,52.91 ×106,16.09×106,55.18×106 和53.11 ×106.所提目标检测模型,提高了检测准确度和F1 得分;检测每张测试图片仅需0.73 s,满足实时性要求.
目标检测、EfficientDet、IOU、标签平滑
50
TP391.4(计算技术、计算机技术)
2023-09-06(万方平台首次上网日期,不代表论文的发表时间)
共9页
357-365