文献类型：期刊文章

作　　者：徐诚极[1] 王晓峰[1] 杨亚东[1]

XU Chengji;WANG Xiaofeng;YANG Yadong(College of Information Engineering,Shanghai Maritime University,Shanghai 201306,China)

机构地区：[1]上海海事大学信息工程学院,上海201306

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(No.61872231;No.61703267);上海海事大学研究生创新基金(No.2017ycx083)

年　　份：2019

卷　　号：55

期　　号：6

起止页码：13-23

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：实时目标检测算法YOLOv3的检测速度较快且精度良好,但存在边界框定位不够精确、难以区分重叠物体等不足。提出了Attention-YOLO算法,该算法借鉴了基于项的注意力机制,将通道注意力及空间注意力机制加入特征提取网络之中,使用经过筛选加权的特征向量来替换原有的特征向量进行残差融合,同时添加二阶项来减少融合过程中的信息损失并加速模型收敛。通过在COCO和PASCAL VOC数据集上的实验表明,该算法有效降低了边界框的定位误差并提升了检测精度。相比YOLOv3算法在COCO测试集上的mAP_(@IoU[0.5:0.95])提升了最高2.5 mAP,在PASCAL VOC 2007测试集上达到了最高81.9 mAP。

关 键 词：目标检测 YOLOv3算法  Attention-YOLO算法  通道注意力机制  空间注意力机制  

分 类 号：TP391.41]