改进的YOLOv3的红外目标检测算法

发布时间：2021-11-08 14:10

　　复杂背景下红外多目标图像及视频的检测是目标检测的热点也是难点,为了更准确地检测出复杂背景下的红外目标,将YOLOv3算法进行改进,首先通过在算法的原有基础上增加特征尺度,提高对距离远且背景复杂的待测图像的识别精度,并将BN网络层与卷积神经网络层融合计算得到最后的检测结果,将原来的YOLOv3算法与改进后的算法的结果进行分析对比可得,改进后的算法能够将平均识别精度从64%提高到88%,将mAP从51.73提高到59.28,验证了改进后的YOLOv3算法在红外目标检测下具有更好的性能,更明显的优势。 

【文章来源】：电子测量与仪器学报. 2020,34(08)北大核心CSCD

【文章页数】：7 页

【文章目录】：
0 引 言
1 基于深度学习的YOLOv3的目标检测算法
2 改进后的YOLOv3算法
    2.1 特征尺度的改进
    2.2 BN层的改进
3 实验与数据分析
    3.1 实验过程
    3.2 结果分析
4 结 论


【参考文献】：
期刊论文
[1]基于深度神经向量机自回归的协同过滤算法[J]. 惠康华,计瑜,王进,贺怀清.  计算机工程与设计. 2020(05)
[2]基于残差网络深度学习的肺部CT图像结节良恶性分类模型[J]. 林桢哲,王桂棠,陈建强,符秦沈.  仪器仪表学报. 2020(03)
[3]融合深度感知特征与核极限学习机的行人检测[J]. 孙锐,王慧慧,叶子豪.  电子测量与仪器学报. 2019(02)
[4]基于改进深度卷积神经网络的步态识别算法[J]. 卢来,邓文,吴卫祖.  电子测量与仪器学报. 2019(02)
[5]基于深度学习的目标检测算法研究[J]. 丁小可.  机电信息. 2018(33)
[6]融合回归网络和多尺度特征表示的实时行人检测[J]. 宋婉娟,张剑.  电子测量与仪器学报. 2018(07)
[7]基于卷积神经网络的深度图像超分辨率重建方法[J]. 李伟,张旭东.  电子测量与仪器学报. 2017(12)
[8]卷积神经网络在车辆识别中的应用[J]. 彭清,季桂树,谢林江,张少波.  计算机科学与探索. 2018(02)
[9]战场侦察相控阵雷达波束调度研究[J]. 史小斌,顾红,刘艳华,黄金杰.  兵工学报. 2016(07)
[10]一类基于信息熵的多标签特征选择算法[J]. 张振海,李士宁,李志刚,陈昊.  计算机研究与发展. 2013(06)

硕士论文
[1]基于深度学习的花朵图像识别算法研究与实现[D]. 刘红铮.南昌航空大学 2019
[2]基于深度学习的一阶目标检测算法应用研究[D]. 李奇.吉林大学 2019
[3]基于YOLO的深度学习目标检测算法研究[D]. 熊咏平.武汉科技大学 2019
[4]基于深度卷积神经网络的舰船目标识别技术研究[D]. 孙乔.杭州电子科技大学 2019
[5]基于深度学习的红外图像飞机目标检测方法[D]. 朱大炜.西安电子科技大学 2018
[6]基于轻量级卷积神经网络的人脸检测算法[D]. 廖辉.浙江大学 2017
[7]复杂环境下弱小目标检测与识别技术研究[D]. 谭晓宇.南京航空航天大学 2008



本文编号：3483855