首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   1篇
  免费   0篇
综合类   1篇
  2023年   1篇
排序方式: 共有1条查询结果,搜索用时 0 毫秒
1
1.
为了降低YOLOv3算法的计算量和模型体积,提高对小目标的检测能力,本文提出一种基于Ghost卷积和通道注意力机制级联结构,将其作为YOLOv3算法的特征提取网络,以减少网络计算量;在小目标预测支路引入S-RFB模块,扩大模型的感受野,更好地利用上下文信息,以提高对小目标的检测能力;使用CIOU损失作为边界框位置损失项,以加速模型的收敛.利用高斯噪声对训练样本进行数据增强,提高模型的鲁棒性.在UA-DETRAC数据集上进行实验,实验结果表明,相比于YOLOv3算法,基于Ghost卷积和通道注意力机制级联结构的G-YOLO算法的平均精度提高了2.7%,模型体积减小了67%,在复杂道路交通环境中具有良好的检测效果.  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号