CN115731392B 一种基于改进YOLOv4网络的目标检测方法 （重庆邮电大学）

StandardizedMask-WearingRecogn体涉及一种基于改进YOLOv4网络的目标检测方参数；将训练好的改进YOLOv4网络用于目标检2采用真实框与预测框的相交矩形对角线距离以及最小外接矩形对角线距离作为额外对额外边框信息进行归一化处理，基于归一化处理后的额外边框信其中，r表示真实框与预测框的相交矩形对角线距离，cδ3其中，S2为每张图像所划分的网格数，B为由网络生成的每个网格的先验框；和表示图像的第i个网格的第j个先验框内是否有目标，若先验框内有目标，此时相反若先验框内没有目标则y"=0.λnoobj表示没有目标损失计算的权重，表示第i个网格内是4[0002]目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导的组件模型(DMP)算法。该算法对图像提取图像特征，针对某个物件制作出相应的激励模理想和人工工作量大的问题限制了其广泛的应用。的应用场景以及遮挡等因素的干扰，基于深度学习的目标检测算法对精度有着更高的要[0006]S1.基于现有YOLOv4网络构建改进YO56和表示图像的第i个网格的第j个先验框内是否有目标，若先验框内有目标，此时相反若先验框内没有目标则表[0027]本发明提出了一种基于改进YOLOv4网络的目标检测方法，主要做了三方面的改进。第一提出了一种新边框回归损失函数L_NormCompleteIntersectionoverUnion置信损失。第三，在骨干特征提取网络中引入了通道注意力机制EfficientChannel[0039]S1.基于现有YOLOv4网络构建改进YO7网络的骨干特征提取网络采用了CSPDarkNet53网络，CSPDarkNet53网络是在DarkNet53网度流截断的手段避免不同的层学习到重复的梯度信息，能够有效的减少重复的梯度学习，网络的学习能力能够大大提升。而CSPDarknet53网络就是在Darknet53网络的每个大残差[0047]ECANet通道注意力模块是一种轻量级且避免降维的注意力机制，其在SENet基础8项。为真实框与预测框的相交矩形对角线距离，c为真实框和预测框的最小外接矩形对角线距9于L1范数形式的惩罚项，是基于L2范数形式的惩罚项时在训练前期无论模型产生多大的误差，额外信息惩罚项都能提供稳定梯度以继续训练，在训练后期额外信息惩罚项能提供变化的梯度使模型更易收敛到极值点。通过调整λ的取[0067]置信度表示图像中每个网格预测是否存在目标的可表示图像的第i个网格的第j个先验框内是否有目标，若先验框内有目标，此时相反若先验框内没有目标则1,他们决定了以用MSE来计算这部分损失。故使用均方误差函数代替二分类交叉熵损失函数计算没有目[0079]平均准确率均值(meanAveragePrecision,mAP)，即所[0086]其中TP表示正确划分为正样本的个数，FP为预测为正样本但实际为负样本的数置信度损失函数)和加入ECANet通道注意力机制的骨干网络在本文中的模型性能，建立了于测试。实验的基准网络是YOLOv4,以改进的CSPDarkNet53(改进骨干网络)作为主干提取要通过影响AP50和召回率来提高模型的准确性，其增长率分别为1.34％和3.14％。AP和[0100]FPS表示目标模型每秒可以检测多少张图片,[0103]为了进一步分析本文提出的惩罚项对模型性能的提高，本文不仅对CIOU做了改[0106]表6所示为几种注意力机制在YOLOv4上的表现。每种模块都是使用在YOLOv4的同制以增强目标信息的表达，从而在后续的特征提取过程中能过获得更好的效果，增加[0109]本文还比较了组合使用BCE和MSE函数与单独使用两种函数的模型精度，如表7所虽然单独使用MSE时模型的表现相比于BCE并不好，但针对性的使用MSE模型精度却有着不个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通