基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
在计算机视觉领域,深度学习一直有着良好的表现.基于深度学习的目标检测方法在红外图像检测识别方面具有巨大的潜力.针对红外图像场景多变,尺度变化范围大,可用特征不足等问题,提出了一种Dende-Yolov5的网络结构,该网络融合了 DenseNet网络和Yolov5的特点,基于充分利用feature,保护目标边缘的思想,将Yolov5s中的Resunit模块替换成了 自定义的密集连接型Denseblock模块,并对Dense-Yolov5与原Yolov5网络在自建的红外数据集上进行了对照实验.改进后的Dense-Yolov5网络对各目标检测的召回率,精度,mAP值均有提升,mAP提高了 1.92%,召回率提高了 1.59%,精度提高了 0.99%.检测结果表明,该网络对于红外目标,尤其是特征不明显的小目标的识别效果更好,对于未来军事领域的红外目标识别、跟踪具有参考价值.
推荐文章
基于FAttention-YOLOv5的水下目标检测算法研究
F-CBAM
YOLOv5
FAttention-YOLOv5
水下目标检测
改进 YoloV5 的行人检测算法
目标检测
行人遮挡检测
随机擦除
Res2Net
注意力机制
Confluence
基于SA-YOLOv5 的交通标志目标检测研究
目标检测
交通标志识别
注意力机制
YOLOv5
嵌入式系统
一种基于改进YOLOv3的密集人群检测算法
密集人群
YOLOv3
特征提取网络
K-means++
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 一种针对红外目标检测的Dense-Yolov5算法研究
来源期刊 光学与光电技术 学科
关键词 红外图像 深度学习 目标检测 密集连接网络
年,卷(期) 2021,(1) 所属期刊栏目 图像与信号处理|Image and Signal Processing
研究方向 页码范围 69-75
页数 7页 分类号 TP391
字数 语种 中文
DOI
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (32)
共引文献  (15)
参考文献  (4)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1989(1)
  • 参考文献(0)
  • 二级参考文献(1)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(2)
  • 参考文献(0)
  • 二级参考文献(2)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(2)
  • 参考文献(0)
  • 二级参考文献(2)
2009(2)
  • 参考文献(0)
  • 二级参考文献(2)
2010(2)
  • 参考文献(0)
  • 二级参考文献(2)
2012(2)
  • 参考文献(0)
  • 二级参考文献(2)
2013(2)
  • 参考文献(0)
  • 二级参考文献(2)
2014(3)
  • 参考文献(0)
  • 二级参考文献(3)
2015(3)
  • 参考文献(0)
  • 二级参考文献(3)
2016(6)
  • 参考文献(1)
  • 二级参考文献(5)
2017(2)
  • 参考文献(0)
  • 二级参考文献(2)
2018(1)
  • 参考文献(0)
  • 二级参考文献(1)
2019(3)
  • 参考文献(3)
  • 二级参考文献(0)
2021(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
红外图像
深度学习
目标检测
密集连接网络
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
光学与光电技术
双月刊
1672-3392
42-1696/O3
大16开
武汉市阳光大道717号
38-335
2003
chi
出版文献量(篇)
2142
总下载数(次)
3
总被引数(次)
9791
论文1v1指导