排序方式: 共有3条查询结果,搜索用时 31 毫秒
1
1.
针对YOLOv3算法对小目标检测较差及出现较多漏检的问题,本文提出了一种优化的YOLOv3算法。首先使用K-means算法计算出与数据集相适用的锚框;其次将扩张卷积引入到YOLOv3网络,用来增强网络高层的感受野,改善小目标的检测效果;然后使用深度可分离卷积取代YOLOv3网络残差模块中的普通卷积,可减少计算量,从而得到一种新型卷积神经网络结构;最后在数据集上进行对比试验。结果表明,优化的YOLOv3算法能够检测出更多目标,降低漏检率,相比于YOLOv3算法,其召回率提高11.86%,F1-score提高2.99%。 相似文献
2.
深度卷积神经网络支持下的遥感影像语义分割 总被引:1,自引:0,他引:1
针对高分遥感影像语义分割面临的类别不平衡和上下文信息利用不充分问题,本文提出了一种优化的DeeplabV3+算法。首先通过修改交叉熵损失函数,解决数据不平衡问题;其次使用Vortex Pooling取代ASPP模块提高上下文信息;然后采用多尺度输入充分利用图像的多尺度信息,并用投票策略进行特征融合提高图像分割准确性;最后使用形态学作后处理消除拼接痕迹和噪声。在CCF大赛的数据集上进行训练,并与其他经典语义分割算法进行比较。试验结果表明,该算法充分利用上下文信息,有效减少了错误分类,且使分割边界更精确,尤其对于线状目标的捕捉能力更强;在整幅测试影像上的MIoU可达85.21%,明显优于SegNet、U-Net算法。 相似文献
3.
数字城市管理发展中城市部件调查是一项重要的任务,但是城市井盖部件信息获取存在人工调绘效率低、精度难以保证等缺陷,影响城市井盖部件的及时更新。因此本文利用深度卷积神经网络模型,通过小卷积核、尾部裁剪和保持输入大小等改进边缘检测网络(HED)并增加两层卷积运算提取目标,提出HED-C网络模型,实现了端到端的井盖部件目标检测。试验结果表明,利用HED-C模型井盖部件召回率可达96.58%,查准率可达97.93%,相较Faster R-CNN、YOLO和SSD网络模型,综合性能有了较大提高。 相似文献
1