科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对火焰目标尺寸变化大、YOLOv3算法对小尺寸目标的检测性能有所欠缺、对火焰目标的检测效果不好的问题，提出对YOLOv3的改进策略。充分发挥空洞卷积在不提升训练参数的同时扩大卷积核感受野的优点，构建2层空洞卷积层，对特征金字塔的融合特征进一步提取多尺度特征；在空洞卷积模块后添加通道注意力机制模块，抑制冗余的特征；使用DIOU损失函数降低对目标的漏检率。通过在火焰目标数据集上的对比实验表明，改进后的YOLOv3训练模型在精度上达到了81.2%，相比原YOLOv3模型提升2.9%。与SSD模型相比在精度上有所提高，相比Faster R-CNN模型在检测速度上更具有优势；对小尺寸目标的检测效果相比原YOLOv3模型有所提升。
-
单位自动化学院; 昆明理工大学
