基于YOLO改进残差网络结构的车辆检测方法

• 作者: 胡臣辰 陈贤富
• 来源期刊: 信息技术与网络安全
• 学科: 工学
• 关键词: 目标检测 YOLO 残差网络 深度学习
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 人工智能
• 页码范围: 56-60
• 页数: 5页
• 分类号: TP393
• 语种: 中文
• DOI: 10.19358/j.issn.2096-5133.2020.09.011

摘要

针对车辆检测任务,设计更高效、精确的网络模型是行业研究的热点,深层网络模型具有比浅层网络模型更好的特征提取能力,但构建深层网络模型时将导致梯度消失、模型过拟合等问题,应用残差网络结构可以缓解此类问题.基于YOLO算法,改进残差网络结构,加深网络层数,设计了一种合有68个卷积层的卷积神经网络模型,同时对输入图像进行预处理,保证目标在图像上不变形失真,最后在自定义的车辆数据集上对模型进行训练与测试,并将实验结果与YOLOV3模型进行对比,实验表明,本文设计的模型检测精准度(AP)达90.63％,较YOLOV3提高了4.6％.