基于改进YOLOv2模型的多目标识别方法 
下载： 982次
Multi-Target Recognition Method Based on Improved YOLOv2 Model
1 西安工程大学电子信息学院, 陕西 西安 710048
2 西安计量技术研究院, 陕西 西安 710068
图 & 表
图 1. 目标位置
Fig. 1. Target position
下载图片 查看原文
图 2. 不同模型的测试结果。(a)模型1;(b)模型2;(c)模型3;(d)模型4;(e)模型5;(f)模型6
Fig. 2. Test results of different models. (a) Model 1; (b) model 2; (c) model 3; (d) model 4; (e) model 5; (f) model 6
下载图片 查看原文
图 3. YOLOv2-voc_mul模型框架
Fig. 3. Frame of YOLOv2-voc_mul model
下载图片 查看原文
图 4. 车型数据样本。(a)汽车;(b)面包车;(c)公交车;(d)大卡车
Fig. 4. Model data sample. (a) Car; (b) van; (c) bus; (d) truck
下载图片 查看原文
图 5. 不同模型的损失曲线图。(a) YOLOv2;(b) YOLOv2-voc;(c) YOLOv3;(d) YOLOv2-voc_mul
Fig. 5. Loss graphs of different models. (a) YOLOv2; (b) YOLOv2-voc; (c) YOLOv3; (d) YOLOv2-voc_mul
下载图片 查看原文
图 6. 不同模型的验证结果。(a) YOLOv2;(b) YOLOv2-voc;(c) YOLOv3;(d) YOLOv2-voc_mul
Fig. 6. Verification results of different models. (a) YOLOv2; (b) YOLOv2-voc; (c) YOLOv3; (d) YOLOv2-voc_mul
下载图片 查看原文
图 7. 不同迭代次数时的测试结果。(a) 60000次;(b) 70000次
Fig. 7. Test results at different number of iterations. (a) 60000; (b) 70000
下载图片 查看原文
图 8. 增加的数据样本类型
Fig. 8. Added model samples
下载图片 查看原文
图 9. 不同模型的检测结果。(a) YOLOv2模型;(b) YOLOv2-voc模型;(c) YOLOv3模型;(d) YOLOv2-voc_mul模型
Fig. 9. Test results of different models. (a) YOLOv2 model; (b) YOLOv2-voc model; (c) YOLOv3 model; (d) YOLOv2-voc_mul model
下载图片 查看原文
表 1网络框架
Table1. Network framework
| Model | Learning rate | Layer number of network structure | Activation function |
|---|
| Convolutionlayer | Maximum pooling layer+average pooling layer | BN layer |
|---|
| Model 1 | 0.001 | 23 | 5+0 | 22 | 22 leaky+1 linear | | Model 2 | 0.0001 | 23 | 5+0 | 20 | 22 leaky+1 linear | | Model 3 | 0.01 | 23 | 5+0 | 22 | 22 leaky+1 linear | | Model 4 | 0.001 | 20 | 5+1 | 22 | 19 leaky+1 linear | | Model 5 | 0.001 | 20 | 5+1 | 22 | 19 leaky+1 ReLU | | Model 6 | 0.001 | 20 | 5+0 | 20 | 19 leaky+1 linear |
|
查看原文
表 2测试结果
Table2. Test results
| Model | Ntotal | Ccorrect | Pproposal | Pprecision /% | Rrecall /% | F1 /% |
|---|
| YOLOv2 | 152 | 146 | 151 | 96.69 | 96.05 | 96.36 | | YOLOv2-voc | 152 | 144 | 146 | 98.63 | 94.74 | 96.64 | | YOLOv3 | 152 | 85 | 150 | 56.67 | 55.92 | 69.68 | | YOLOv2-voc_mul | 152 | 145 | 146 | 99.20 | 95.39 | 97.26 |
|
查看原文
表 4不同模型检测mAP的比较
Table4. Comparison of mAP value in different models
| Model | mAP /% |
|---|
| Truck | Bus | Van | Car |
|---|
| YOLOv2 | 86.45 | 84.16 | 82.37 | 86.88 | | YOLOv2-voc | 87.61 | 85.22 | 83.02 | 87.31 | | YOLOv3 | 83.35 | 81.83 | 77.96 | 83.92 | | YOLOv2-voc_mul | 88.72 | 88.56 | 86.64 | 89.03 |
|
查看原文
表 5YOLOv2-voc_mul模型的车型识别平均准确率
Table5. Average accuracy of vehicle identification in the YOLOv2-voc_mul model
| Type | Accuracy /% | Averageaccuracy /% |
|---|
| Truck | Bus | Van | Car |
|---|
| Simple target | 92.14 | 91.89 | 90.08 | 94.72 | 92.21 | | Multiple target | 89.01 | 88.76 | 88.20 | 91.71 | 89.44 |
|
查看原文
李珣, 时斌斌, 刘洋, 张蕾, 王晓华. 基于改进YOLOv2模型的多目标识别方法[J]. 激光与光电子学进展, 2020, 57(10): 101010. Xun Li, Binbin Shi, Yang Liu, Lei Zhang, Xiaohua Wang. Multi-Target Recognition Method Based on Improved YOLOv2 Model[J]. Laser & Optoelectronics Progress, 2020, 57(10): 101010.
PDF全文
