文献类型：期刊文章

作　　者：霍爱清[1] 杨玉艳[1] 谢国坤[2]

HUO Ai-qing;YANG Yu-yan;XIE Guo-kun(School of Electronic Engineering,Xi’an Shiyou University,Xi’an 710065,China;School of Electrical Engineering,Xi’an Traffic Engineering Institute,Xi’an 710000,China)

机构地区：[1]西安石油大学电子工程学院,陕西西安710065 [2]西安交通工程学院电气工程学院,陕西西安710000

出　　处：《计算机工程与设计》

基　　金：西安石油大学研究生创新与实践能力培养基金项目(YCS21113114);陕西省科技厅工业攻关基金项目(2020GY-152);陕西省教育厅重点实验室科研计划基金项目(17JS108)。

年　　份：2022

卷　　号：43

期　　号：7

起止页码：1981-1989

语　　种：中文

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

摘　　要：为有效解决车辆目标检测算法参数量大、计算成本高等问题,提出一种改进YOLOv3算法。利用深度可分离卷积和注意力机制重新设计主干特征提取网络结构,通过增大神经网络深度、拓宽特征提取层数实现更高层语义信息的提取,可获得更精细特征,减少模型参数量和计算量;引入CIOU回归优化损失函数,量化预测框与真实框中心点距离、重叠面积、尺度以及长宽比等评测指标,解决均方误差(MSE)损失优化方向不一致的问题,使目标框回归更加稳定。实验结果表明,该算法参数量为19.56 M,比YOLOv3算法降低了近67%,同时平均精度均值(mAP)提高了3.68%,每秒帧数(FPS)提高了8帧,为车辆目标检测提供了容易部署在移动端的轻量级网络。

关 键 词：车辆检测 深度学习  YOLOv3算法  深度可分离卷积  CIOU损失  

分 类 号：TP391.4]