文献类型：期刊文章

作　　者：刘紫燕[1] 袁磊[1] 朱明成[1] 马珊珊[1] 陈霖周廷[2]

LIU Ziyan;YUAN Lei;ZHU Mingcheng;MA Shanshan;CHEN Linzhouting(College of Big Data and Information Engineering,Guizhou University,Guiyang 550025,China;School of Aerospace Engineering,Guizhou Institute of Technology,Guiyang 550003,China)

机构地区：[1]贵州大学大数据与信息工程学院,贵阳550025 [2]贵州理工学院航空航天工程学院,贵阳550003

出　　处：《计算机工程与应用》

基　　金：贵州省科学技术基金(黔科合基础[2016]1054);贵州省联合资金资助项目(黔科合LH字[2017]7226);贵州大学2017年度学术新苗培养及创新探索专项(黔科合平台人才[2017]5788);贵州省科技计划项目(黔科合基础[2017]1069);贵州省教育厅创新群体重大研究项目(黔教合KY字[2018]026);贵州省普通高等学校工程研究中心项目(黔教合KY字[2018]007);贵州省科技计划重点项目([2019]1416)。

年　　份：2021

卷　　号：57

期　　号：7

起止页码：164-170

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对交通标志目标检测尺寸较小、分辨率低、特征不明显问题,提出一种改进的YOLOv3网络模型。在利用颜色增强方法对交通标志进行数据增强后,改进原网络中的FPN结构,保留原网络中52×52的大尺度预测,然后利用YOLOv3网络中第二次下采样输出的特征图建立108×108的更大尺度预测。为了解决图像尺寸和失真的问题,在检测层前使用固定分块大小为5、9、13的池化操作,再将输出的特征与原来的特征图进行融合,从而实现对不同尺寸的输入得到相同大小的输出。最后,利用K-means聚类算法对TT100K交通标志数据集进行聚类分析,重新定义网络的初始候选框,使用YOLOv3网络模型和改进的YOLOv3网络模型以及其他小目标检测算法在TT100K数据集上进行对比实验。实验结果表明,改进后的YOLOv3网络模型能更有效的检测交通标志,其检测的平均精确度在三个尺度下相对原YOLOv3网络模型分别提升8.3%、6.1%、4.3%,在FPS变化不大的情况下,召回率和准确率都有明显提升,同时,改进后的YOLOv3算法相对其他小目标检测算法具有更好的检测精度和实时性。

关 键 词：目标检测 交通标志 YOLOv3  数据增强  大尺度预测  

分 类 号：TP391.4]