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:
针对目标检测方法中存在的正负样本分布不均衡、检测精度低等问题,提出了一种基于混合池化YOLO的目标检测方法(object detection method based on mixed-pooling YOLO,ODMMP-YOLO).ODMMP-YOLO首先将混合池化融入Darknet-53网络构造出一种新颖的DMP(darknet based on mixed pooling)网络模型,能够在下采样阶段有效减少特征图信息的丢失,从而提升识别精度;然后采用GIoU(generalized intersection over union)定位损失衡量真实边框与预测边框之间的距离,有效地提升定位精度;在计算置信度损失时给予误分检测框更多的loss惩罚,有效解决正负样本分布不均衡的问题.在PASCAL VOC 2007数据集上对ODMMP-YOLO进行验证,实验结果表明:与传统YOLOv3目标检测方法相比,ODMMP-YOLO识别部分单独类别时的平均精度AP提升约15%,在识别所有类别时的均值平均精度mAP值提升约5%;与其他主流检测方法相比,ODMMP-YOLO能够更好地识别与定位日常生活中的常见目标物体,且具有较好的视觉效果.
推荐文章
YOLO9000模型的车辆多目标视频检测系统研究
智能交通
目标检测
网络模型
正确率
实时目标检测算法YOLO的批再规范化处理
目标检测
深度学习
卷积神经网络
批再规范化
YOLO
改进YOLO的车辆检测算法
YOLO
端对端模型
DenseNet
车辆检测
YOLO-D
检测精度
基于改进混合高斯模型的车辆多目标检测方法
图像处理
多目标检测
混合高斯模型
形态学算法
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 基于混合池化YOLO的目标检测方法
来源期刊 天津城建大学学报 学科 工学
关键词 目标检测 深度学习 卷积神经网络 混合池化 损失函数
年,卷(期) 2022,(2) 所属期刊栏目 智慧城市|Smart City
研究方向 页码范围 141-149
页数 9页 分类号 TP183
字数 语种 中文
DOI 10.19479/j.2095-719x.2202141
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2022(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
目标检测
深度学习
卷积神经网络
混合池化
损失函数
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
天津城建大学学报
双月刊
2095-719X
12-1439/TU
大16开
天津市西青区津静路26号
1985
chi
出版文献量(篇)
1758
总下载数(次)
3
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导