1 中国科学院上海微系统与信息技术研究所微系统技术重点实验室, 上海 201800
2 中国科学院大学, 北京 100049
随着深度学习的不断发展与广泛运用,基于深度学习的目标检测算法已成为新的主流。为了进一步提高卷积神经网络YOLO v3(You only look once v3)的检测精度,在原算法的网络结构上添加卷积层模块对样本进行目标背景分类,并粗略调整特征图上的锚框大小。该模块输出目标背景概率后,过滤掉背景概率值低于设定阈值的样本,从而解决原算法中存在的正负样本比例失衡的问题。使用调整过的锚框替代原算法中直接由聚类生成固定大小的锚框,该过程为边界框的预测提供更优的初始值。在VOC数据集上的实验结果表明,相较于原算法,改进的YOLO v3具有更高的检测精度。
机器视觉 目标检测 卷积神经网络 YOLO v3 锚框 激光与光电子学进展
2020, 57(12): 121502
1 中国科学院上海微系统与信息技术研究所微系统技术重点实验室, 上海 201800
2 中国科学院大学, 北京 100049
目标精确感知与识别为信息化战争提供了一个重要的技术增长点,全景视觉传感设备因其拥有大视场(LFOV)范围优势而逐渐被应用于安防及**领域中的目标检测与识别任务。首先从相机成像模型、图像成像质量以及目标物体的非对称性三个方面对存在的困难以及挑战进行阐述。基于是否进行畸变校正预处理,将近年来LFOV域的目标检测与识别算法分为基于畸变校正的目标检测与识别算法和基于原始LFOV图像的目标检测与识别算法两类,并针对这两类算法进行了全面梳理和总结,对当前LFOV域的目标检测与识别各类算法的统一性和差异性进行思考分析,探讨其未来发展趋势。
图像处理 目标检测与识别 大视场图像 畸变校正 激光与光电子学进展
2020, 57(12): 120002
