针对现有目标检测模型在无依托供电场景存在检测效果不稳定、小目标大量漏检的问题,基于YOLOv4-tiny提出一种改进模型AMS-YOLOv4-tiny。通过在主干网之后引入更平滑的Mish函数、设计一种浅层特征加固的特征融合网络SCFPN、反复嵌入通道...针对现有目标检测模型在无依托供电场景存在检测效果不稳定、小目标大量漏检的问题,基于YOLOv4-tiny提出一种改进模型AMS-YOLOv4-tiny。通过在主干网之后引入更平滑的Mish函数、设计一种浅层特征加固的特征融合网络SCFPN、反复嵌入通道注意力机制3种策略,大幅提升预测特征层对目标的表达能力。实验结果表明,算法在PASCAL VOC07+12数据集上的mAP(mean of average precision)达到87.19%,相比YOLOv4-tiny提高4.45%,且部署在嵌入式设备上进行可行性验证,满足多种复杂场景下人车检测任务的精度与实时性要求。展开更多
文摘针对现有目标检测模型在无依托供电场景存在检测效果不稳定、小目标大量漏检的问题,基于YOLOv4-tiny提出一种改进模型AMS-YOLOv4-tiny。通过在主干网之后引入更平滑的Mish函数、设计一种浅层特征加固的特征融合网络SCFPN、反复嵌入通道注意力机制3种策略,大幅提升预测特征层对目标的表达能力。实验结果表明,算法在PASCAL VOC07+12数据集上的mAP(mean of average precision)达到87.19%,相比YOLOv4-tiny提高4.45%,且部署在嵌入式设备上进行可行性验证,满足多种复杂场景下人车检测任务的精度与实时性要求。
