基于改进YOLOv3的自然场景下鸟类检测算法
针对自然场景下鸟类检测任务中存在模型参数量大、计算量高和正负样本严重不平衡的问题,提出了YOLOBIRDS算法。一方面,对特征提取网络模型进行修改,将标准卷积神经网络结构修改为深度可分离残差模型。另一方面,对损失函数进行修改,将目标框大小与位置损失函数由均方误差修改为广义交并比(CIoU),在置信度损失函数中增加正负样本控制参数。实验结果表明,在衡水湖鸟类数据集中,YOLOBIRDS算法的平均精度均值(mAP)达87.12%,比原算法高2.71个百分点;参数个数达12425917,比原算法低79.88%;速度达32.67 frame/s,比原算法高19.98%。采用该算法训练得到的新模型对鸟类检测的精度更高,检测速度更快,对鸟类检测的整体识别率大幅度提高,平衡了正负样本的损失权重。
目标检测、深度可分离残差模型、广义交并比损失函数
59
TP391.41;TN957.52;TP183
2022-10-17(万方平台首次上网日期,不代表论文的发表时间)
共1页
1815013