[发明专利]基于改进YOLOv3的交通场景小目标检测方法在审
| 申请号： | 201911079565.2 | 申请日： | 2019-11-07 |
| 公开（公告）号： | CN110766098A | 公开（公告）日： | 2020-02-07 |
| 发明（设计）人： | 郑秋梅;王璐璐;王风华 | 申请（专利权）人： | 中国石油大学(华东) |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 266580 山*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出基于改进YOLOv3的交通场景小目标检测方法，解决YOLOv3网络过深问题，提高对小目标检测的精确度和速度，一定程度上避免训练神经网络出现的过拟合现象。属于智能交通领域。其包括以下步骤：1)构建特征提取网络Darknet‑50提取输入图像特征，充分提取图像浅层特征信息；2)将YOLOv3的3尺度检测增加为4尺度，融合提取的浅层特征信息，构建多尺度特征金字塔网络；3)利用K‑means算法生成12个anchor box，根据损失函数做bounding box回归和多标签分类，利用随机梯度下降法优化求解模型；4)用预训练后的网络模型对输入图片提取特征，送入到简化后的YOLO网络中的多尺度检测模块进行预测，采用极大值抑制法(NMS)去除冗余框，预测最优的目标对象。 | ||
| 搜索关键词： | 特征信息 小目标 构建 浅层 随机梯度下降法 输入图像特征 训练神经网络 智能交通领域 多尺度检测 多尺度特征 金字塔网络 标签分类 尺度检测 交通场景 目标对象 输入图片 算法生成 损失函数 特征提取 提取特征 提取图像 网络模型 优化求解 网络 冗余 检测 预测 拟合 去除 送入 尺度 融合 回归 改进 | ||
【主权项】：
1.一种基于改进YOLOv3的交通场景小目标检测方法，其特征在于，包含如下步骤：/n1)构建特征提取网络Darknet-50提取输入图像特征，充分提取图像浅层特征信息；/n2)将YOLOv3的3尺度检测增加为4尺度，融合提取的浅层特征信息，构建多尺度特征金字塔网络；/n3)利用K-means算法生成12个anchor box，根据损失函数做bounding box回归和多标签分类，利用随机梯度下降法优化求解模型；/n4)用预训练后的网络模型对输入图片提取特征，送入到简化后的YOLO网络中的多尺度检测模块进行预测，采用极大值抑制法(NMS)去除冗余框，预测最优的目标对象。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国石油大学(华东)，未经中国石油大学(华东)许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911079565.2/，转载请声明来源钻瓜专利网。
