根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法Y...根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法YOLOv3_M。使用ISODATA动态聚类算法对BDD与KITTI混合数据集聚类分析,找出更适合目标的Anchor Box;用MobileNetv3-Large网络代替原始YOLOv3网络中的特征提取网络Darknrt53,在降低主干网络复杂度的同时可以减小模型的参数;在特征融合网络部分加入CBAM注意力机制。实验结果表明,改进后的YOLOv3_M算法在混合数据集上测试的平均精度均值(mean Average Precision,mAP)提升了3.45%,推断速度比YOLOv3算法增加了17.5帧/秒,具有较好的实用性。展开更多
文摘根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法YOLOv3_M。使用ISODATA动态聚类算法对BDD与KITTI混合数据集聚类分析,找出更适合目标的Anchor Box;用MobileNetv3-Large网络代替原始YOLOv3网络中的特征提取网络Darknrt53,在降低主干网络复杂度的同时可以减小模型的参数;在特征融合网络部分加入CBAM注意力机制。实验结果表明,改进后的YOLOv3_M算法在混合数据集上测试的平均精度均值(mean Average Precision,mAP)提升了3.45%,推断速度比YOLOv3算法增加了17.5帧/秒,具有较好的实用性。