基于空洞卷积和Focal Loss的改进YOLOv3算法
Improved YOLOv3 based on dilated convolution and Focal Loss
  
DOI:
中文关键词:  小目标检测;样本不平衡;混合空洞卷积;Focal Loss
英文关键词:small targets detection;sample imbalance;hybrid dilated convolution;Focal Loss
基金项目:国家自然科学基金(61872424)、南京邮电大学校级科研基金(NY218001,NY219076)和模式识别国家重点实验室开放课题(201900015)资助项目
作者单位
许腾 南京邮电大学 江苏省图像处理与图像通信重点实验室,江苏南京210003 
唐贵进 南京邮电大学 江苏省图像处理与图像通信重点实验室,江苏南京210003 
刘清萍 南京邮电大学 江苏省图像处理与图像通信重点实验室,江苏南京210003 
鲍秉坤 南京邮电大学 江苏省图像处理与图像通信重点实验室,江苏南京210003 
摘要点击次数: 162
全文下载次数: 47
中文摘要:
      为了进一步提升YOLOv3的小目标检测能力,文中提出将Darknet-53中的第2个残差块输出的特征图用混合空洞卷积处理后,与YOLOv3的8倍下采样特征图相融合,建立新的检测特征;同时,使用Focal Loss改进损失函数中的负样本置信度公式,缓解YOLOv3的正负样本比例失衡问题。实验结果表明,在小目标数量占比为47.7%的特定测试集上,改进YOLOv3的平均准确率和召回率分别比原YOLOv3提高了8.8%和16%;在VOC测试集上,改进YOLOv3的平均精度均值比原YOLOv3提升了3.4%。
英文摘要:
      To improve the detection performance of small targets of the YOLOv3 algorithm,a technique for producing new prediction features is proposed.It fuses the output of the hybrid dilated convolution on the second residual block in Darknet-53 and the output of the 8x down-sampling of the original network.In addition,the Focal Loss is used to compute the confidence of negative samples of the loss function,alleviating the imbalance problems of positive and negative samples of YOLOv3.Experimental results show that compared with the YOLOv3 algorithm,the improved YOLOv3 algorithm can achieve an improvement of 8.8% and 16% in terms of the average precision and the recall on a specific data set with a proportion of the number of small targets of 47.7%,and achieve an improvement of 3.4% in terms of the mean average precision on the VOC dataset.
查看全文  查看/发表评论  下载PDF阅读器

你是第2015774访问者
版权所有《南京邮电大学学报(自然科学版)》编辑部
Tel:86-25-85866913 E-mail:xb@njupt.edu.cn
技术支持:本系统由北京勤云科技发展有限公司设计