融合L-α的YOLO-v4小目标检测算法
Journal of Harbin University of Science and Technology（2023）
摘要
当前基于深度学习的目标检测技术得到了迅速发展,但小目标检测仍然是一个有待改善的难题.相比于大目标,小目标检测任务存在分辨率低、特征易丢失等特点,很多通用的目标检测算法不能直接迁移到小目标检测.特征金字塔融合能有效结合深层和浅层的特征,增强对小目标的检测性能,然而现有模型大都忽略了相邻层间融合时的信息不平衡问题.针对此问题,提出将有效融合因子的思想融入YOLO-v4 的PANet结构,添加融合因子L-α控制深层向浅层传递的信息量,从而有效提高信息融合效率,增强YOLO-v4 对小目标的检测能力.实验表明,加入了L-α的YOLO-v4 模型,在TinyPerson数据集上平均精度APtiny50 和APsmall50 分别提高了2.14％和1.85％,在MS COCO数据集上平均精度AP和APS分别提高了1.4％和2.7％,且检测结果优于其他小目标检测算法,证明此改进方法对小目标检测有效.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要