在遮挡目标识别中,目标可能会被其他物体遮挡,导致目标的部分有效特征丢失或变形。目标有效特征的减少,使得单一YOLOv4(You Only Look Once version 4)无法准确识别锚框的初始值,使得模型目标识别困难。为此,引入K-means++算法改进单一Y...
详细信息
在遮挡目标识别中,目标可能会被其他物体遮挡,导致目标的部分有效特征丢失或变形。目标有效特征的减少,使得单一YOLOv4(You Only Look Once version 4)无法准确识别锚框的初始值,使得模型目标识别困难。为此,引入K-means++算法改进单一YOLOv4算法,提出基于改进YOLOv4的遮挡目标识别算法。通过非下采样Contourlet变换划分图像为低频部分和高频部分,分别利用线性增强函数和改进的自适应阈值增强图像,并经由非下采样Contourlet逆变换生成重建图像,对其执行模糊对比度增强。选取YOLOv4作为目标识别基础模型,采用深度可分离卷积替代模型中部分卷积,并替换特征金字塔为递归特征金字塔,提升小目标和遮挡目标的特征学习能力。引入K-means++算法自适应获取锚框,优化锚框初始值,并利用完全交并比和交叉熵构建损失函数,训练改进的YOLOv4并将增强后图像输入其中,实现遮挡目标识别。实验结果表明,所提方法能够有效识别图像目标,且识别结果P-R曲线更理想。
暂无评论