10.3969/j.issn.1672-9722.2020.10.022
基于深度学习的难分类样本行人检测方法
针对衣着等纹理与背景纹理相似的行人导致行人检测识别率低的问题,提出了一种基于深度学习的难样本行人检测方法.首先,采集行人衣着等纹理与背景纹理十分相似的图片,并进行标注,组成自建数据集;结合COCO数据集中的行人样本基于YOLOv3进行迁移学习,泛化算法能力;基于焦点损失(focal loss)将网络聚焦于难分类样本的训练,进一步提高该方法针对难分类样本的准确率.实验结果表明,改进的算法平均精度(Average Precision,AP)为73.2,比YOLOv3算法提高了2.3,每秒计算帧数(Frame Per Second,FPS)为32,比YOLOv3算法速度降低1帧.
深度学习、行人检测、焦点损失
48
TP391.41(计算技术、计算机技术)
2020-12-03(万方平台首次上网日期,不代表论文的发表时间)
共5页
2420-2424