基于改进YOLOv3的自然场景下鸟类检测算法

摘要：

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。

关键词：目标检测、深度可分离残差模型、广义交并比损失函数

所属期刊栏目：59

分类号：TP391.41;TN957.52;TP183

在线出版日期：2022-10-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共1页

页码：1815013