文献类型：期刊文章

作　　者：鲁博[1] 瞿绍军[1,2]

LU Bo;QU Shao-jun(College of Information Science and Engineering,Hunan Normal University,Changsha 410081,China;Hunan Xiangjiang Artificial Intelligence Academy,Hunan Normal University,Changsha 410081,China)

机构地区：[1]湖南师范大学信息科学与工程学院,长沙410081 [2]湖南师范大学湖南湘江人工智能学院,长沙410081

出　　处：《小型微型计算机系统》

基　　金：国家自然科学基金项目(12071126)资助;湖南省教育厅科学研究项目(19C1149)资助。

年　　份：2021

卷　　号：42

期　　号：8

起止页码：1694-1698

语　　种：中文

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

摘　　要：航拍车辆检测能够从航拍图像中检测出车辆的位置和种类信息,可以为与车辆相关的应用问题提供重要信息支撑.为满足实际运用的要求,需要保证目标检测算法的速度与精度.通常精度较高的深度学习目标检测模型速度较慢,而速度优势明显的简单网络结构算法精度难以满足实际需求.针对这一需求与特性,提出了一种航拍图像车辆目标检测算法,在牺牲微量速度的情况下极大提升检测精度.选择Yolov3-tiny的主干网作为主干网,同时引入BiFPN特征金字塔结构与主干网结合以增进多层次特征的融合,提出一种新的上采样结构,替换原有网络中的上采样结构.在vedai数据集上进行实验,与Yolov3相比,每秒检测帧(fps)与检测精度(map)分别提升了73%、6%.与Yolov3-tiny相比,虽然fps下降了5%,帧数减少2帧,但map提升了9.6%,与ssd、mobilenetv3、efficientnet相比,无论是检测精度还是检测速度都具有明显优势,提出方法的map达到了87.6%.本文所提出的Bi-Yolov3-tiny模型与上采样结构综合了轻量级网络和复杂结构网络的优点,使得航拍图像车辆检测的效果更加精准的同时也保持了较快的速度.

关 键 词：车辆检测 目标检测 Yolov3  上采样  特征金字塔  小目标  

分 类 号：TP391]