復(fù)雜背景下紅外多目標圖像及視頻的檢測是目標檢測的熱點也是難點,為了更準確地檢測出復(fù)雜背景下的紅外目標,將YOLOv3算法進行改進,首先通過在算法的原有基礎(chǔ)上增加特征尺度,提高對距離遠且背景復(fù)雜的待測圖像的識別精度,并將BN網(wǎng)絡(luò)層與卷積神經(jīng)網(wǎng)絡(luò)層融合計算得到最后的檢測結(jié)果,將原來的YOLOv3算法與改進后的算法的結(jié)果進行分析對比可得,改進后的算法能夠?qū)⑵骄R別精度從64%提高到88%,將mAP從51.73提高到59.28,驗證了改進后的YOLOv3算法在紅外目標檢測下具有更好的性能,更明顯的優(yōu)勢。 

【文章來源】：電子測量與儀器學(xué)報. 2020,34(08)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引 言
1 基于深度學(xué)習(xí)的YOLOv3的目標檢測算法
2 改進后的YOLOv3算法
    2.1 特征尺度的改進
    2.2 BN層的改進
3 實驗與數(shù)據(jù)分析
    3.1 實驗過程
    3.2 結(jié)果分析
4 結(jié) 論


【參考文獻】：
期刊論文
[1]基于深度神經(jīng)向量機自回歸的協(xié)同過濾算法[J]. 惠康華,計瑜,王進,賀懷清.  計算機工程與設(shè)計. 2020(05)
[2]基于殘差網(wǎng)絡(luò)深度學(xué)習(xí)的肺部CT圖像結(jié)節(jié)良惡性分類模型[J]. 林楨哲,王桂棠,陳建強,符秦沈.  儀器儀表學(xué)報. 2020(03)
[3]融合深度感知特征與核極限學(xué)習(xí)機的行人檢測[J]. 孫銳,王慧慧,葉子豪.  電子測量與儀器學(xué)報. 2019(02)
[4]基于改進深度卷積神經(jīng)網(wǎng)絡(luò)的步態(tài)識別算法[J]. 盧來,鄧文,吳衛(wèi)祖.  電子測量與儀器學(xué)報. 2019(02)
[5]基于深度學(xué)習(xí)的目標檢測算法研究[J]. 丁小可.  機電信息. 2018(33)
[6]融合回歸網(wǎng)絡(luò)和多尺度特征表示的實時行人檢測[J]. 宋婉娟,張劍.  電子測量與儀器學(xué)報. 2018(07)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的深度圖像超分辨率重建方法[J]. 李偉,張旭東.  電子測量與儀器學(xué)報. 2017(12)
[8]卷積神經(jīng)網(wǎng)絡(luò)在車輛識別中的應(yīng)用[J]. 彭清,季桂樹,謝林江,張少波.  計算機科學(xué)與探索. 2018(02)
[9]戰(zhàn)場偵察相控陣雷達波束調(diào)度研究[J]. 史小斌,顧紅,劉艷華,黃金杰.  兵工學(xué)報. 2016(07)
[10]一類基于信息熵的多標簽特征選擇算法[J]. 張振海,李士寧,李志剛,陳昊.  計算機研究與發(fā)展. 2013(06)

碩士論文
[1]基于深度學(xué)習(xí)的花朵圖像識別算法研究與實現(xiàn)[D]. 劉紅錚.南昌航空大學(xué) 2019
[2]基于深度學(xué)習(xí)的一階目標檢測算法應(yīng)用研究[D]. 李奇.吉林大學(xué) 2019
[3]基于YOLO的深度學(xué)習(xí)目標檢測算法研究[D]. 熊詠平.武漢科技大學(xué) 2019
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的艦船目標識別技術(shù)研究[D]. 孫喬.杭州電子科技大學(xué) 2019
[5]基于深度學(xué)習(xí)的紅外圖像飛機目標檢測方法[D]. 朱大煒.西安電子科技大學(xué) 2018
[6]基于輕量級卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測算法[D]. 廖輝.浙江大學(xué) 2017
[7]復(fù)雜環(huán)境下弱小目標檢測與識別技術(shù)研究[D]. 譚曉宇.南京航空航天大學(xué) 2008



本文編號：3483855