针对小目标(像素占比小于0.02)检测存在的目标特征容易丢失、分辨率低的问题,提出了一种基于改进YOLOv3(You only look once)卷积神经网络的检测方法。首先,对数据集中的小目标进行复制变换增强,以提升训练过程中网络对小目标的注意力...针对小目标(像素占比小于0.02)检测存在的目标特征容易丢失、分辨率低的问题,提出了一种基于改进YOLOv3(You only look once)卷积神经网络的检测方法。首先,对数据集中的小目标进行复制变换增强,以提升训练过程中网络对小目标的注意力。其次,针对浅层视觉信息与深层语义信息的尺度融合,提出了跨尺度检测层的网络结构,提高了网络对小目标的适应能力。最后,针对高分辨率图像的检测效果,提出了深度和广度结合的残差块组传递结构,丰富了深层特征图的感受野。实验结果表明,相比YOLOv3网络,改进跨级尺度预测层的网络检测小目标的精确率提升了1.9个百分点,召回率提升了5.9个百分点;优化感受野的网络检测小目标的精确率提升了31.6个百分点,召回率提升了46.4个百分点。展开更多
文摘针对小目标(像素占比小于0.02)检测存在的目标特征容易丢失、分辨率低的问题,提出了一种基于改进YOLOv3(You only look once)卷积神经网络的检测方法。首先,对数据集中的小目标进行复制变换增强,以提升训练过程中网络对小目标的注意力。其次,针对浅层视觉信息与深层语义信息的尺度融合,提出了跨尺度检测层的网络结构,提高了网络对小目标的适应能力。最后,针对高分辨率图像的检测效果,提出了深度和广度结合的残差块组传递结构,丰富了深层特征图的感受野。实验结果表明,相比YOLOv3网络,改进跨级尺度预测层的网络检测小目标的精确率提升了1.9个百分点,召回率提升了5.9个百分点;优化感受野的网络检测小目标的精确率提升了31.6个百分点,召回率提升了46.4个百分点。
