文献类型：期刊文章

作　　者：鞠默然[1,2,3,4,5] 罗海波[1,2,4,5] 王仲博[1,2,3,4,5] 何淼[1,2,3,4,5] 常铮[1,2,4,5] 惠斌[1,2,4,5]

Ju Moran;Luo Haibo;Wang Zhongbo;He Miao;Chang Zheng(Shenyang Institute of Automation ,Chinese Academy of Sciences,Shenyang,Liaoning 110016,China;Institutes for Robotics and Intelligent Manufacturing,Chinese Academy of Sciences,Shenyang,Liaoning 110016,China;University of Chinese Academy of Sciences,Beijing 100049,China;Key Laboratory of Opt-Electronic Information Processing,Chinese Academy of Sciences,Shenyang,Liaoning 110016,China;The Key Laboratory of Image Understanding and Computer Vision,Shenyang,Liaoning 110016,China)

机构地区：[1]中国科学院沈阳自动化研究所,辽宁沈阳110016 [2]中国科学院机器人与智能制造创新研究院,辽宁沈阳110016 [3]中国科学院大学,北京100049 [4]中国科学院光电信息处理重点实验室,辽宁沈阳110016 [5]辽宁省图像理解与视觉计算重点实验室,辽宁沈阳110016

出　　处：《光学学报》

年　　份：2019

卷　　号：39

期　　号：7

起止页码：245-252

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。

关 键 词：机器视觉 小目标检测 YOLO  V3 VEDAI数据集  K-MEANS聚类算法

分 类 号：TP391.4]