地面小目标快速检测算法研究

论文摘要

由于地面小目标像素低、携带信息量少等特点,常规数据集上的目标检测算法直接用于地面小目标的检测,会出现漏检和错检现象。针对此问题,该文基于深度学习算法,提出将一种改进的YOLOv3算法应用于地面小目标检测。利用K-means算法对数据集中目标进行聚类分析,选取合适的anchor boxes数量和大小。通过增加一个检测小目标的特征图,建立特征融合目标检测层,改进YOLOv3网络检测尺度。在遥感数据集DOTA检测实验中,用改进的YOLOv3算法与YOLOv3算法进行对比实验,结果表明改进后的算法能有效检测地面小目标,查准率提高17.04%,查全率提高了6.44%;与Faster R-CNN算法对比,改进的YOLOv3算法的mAP提高了12.7%。在改进的YOLOv3算法训练时,加入dropout优化机制,其在测试集上的mAP得分又提高了3.24%。

论文目录

• 1 引言
• 2 YOLOv3算法
• 3 改进的YOLOv3算法网络结构
•   3.1 数据集的聚类分析
•   3.2 YOLOv3网络结构的改进
• 4 实验结果与分析
•   4.1 数据集制作
•   4.2 网络模型训练
•   4.3 网络模型测试
• 5 结论

文章来源

类型: 期刊论文

作者: 欧阳乐诚,王华力

关键词: 深度学习,算法,小目标检测

来源: 信号处理 2019年12期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 工业通用技术及设备,自动化技术

单位: 陆军工程大学通信工程学院

基金: 国家自然科学基金(61271354)

分类号: TP751;TP18

DOI: 10.16798/j.issn.1003-0530.2019.12.003

页码: 1952-1958

总页数: 7

文件大小: 2164K

下载量: 173