期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
一种优化YOLO模型的交通警察目标检测方法 被引量:9
1
作者 李妮妮 王夏黎 +3 位作者 付阳阳 郑凤仙 何丹丹 袁绍欣 《图学学报》 CSCD 北大核心 2022年第2期296-305,共10页
针对复杂交通场景中交通警察目标检测与定位准确率低的问题,提出一种优化YOLOv4模型的交通警察目标检测方法。首先,采用4种随机转换方式对自建的交通警察数据集进行扩充,解决了模型过拟合问题并提高模型的泛化能力;其次,将YOLOv4主干网... 针对复杂交通场景中交通警察目标检测与定位准确率低的问题,提出一种优化YOLOv4模型的交通警察目标检测方法。首先,采用4种随机转换方式对自建的交通警察数据集进行扩充,解决了模型过拟合问题并提高模型的泛化能力;其次,将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构,有效地减少了参数总量并加深了网络层数;然后,使用K-means++聚类算法对自建数据集进行聚类分析以重新定义网络的初始候选框,提高了交通警察目标深度特征的学习效率;最后,引入焦点损失函数以优化分类损失函数,解决了训练中正负样本数量不平衡问题。研究结果表明,优化后的YOLOv4模型大小仅50 M,AP值达98.01%,与FasterR-CNN,YOLOv3和原始YOLOv4模型相比均有提升。有效解决了目前复杂交通场景中交通警察目标的漏检、误检及检测精度低等问题。 展开更多
关键词 交通警察目标检测 YOLOv4模型 K-means++聚类算法 深度特征学习 焦点损失函数
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部