文献

J-GLOBAL ID：202002284572037971   整理番号：20A1136532

YOLOv3に基づく自動車ボトムハザードターゲット検出アルゴリズム【JST・京大機械翻訳】

A Vehicle Bottom Dangerous Object Detection Algorithm Based on YOLOv3

著者 (4件)： Gao Chunyan (河北工業大学机械工程学院,天津,300130) ,  Zhao Wenhui (河北工業大学机械工程学院,天津,300130) ,  Zhang Minglu (河北工業大学机械工程学院,天津,300130) ,  Meng Xianchun (河北工業大学机械工程学院,天津,300130)
資料名： Tianjin Daxue Xuebao. Ziran Kexue Yugongcheng Jishu Ban  (Tianjin Daxue Xuebao. Ziran Kexue Yugongcheng Jishu Ban)
巻： 53  号： 4  ページ： 358-365  発行年： 2020年 
JST資料番号： C3006A  ISSN： 0493-2137  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 公共の安防の分野で、自動車の底部に潜む危険品の危害性が強く、検出の難度が大きい。現在の車底危険品検出は主にテンプレートマッチングなどの従来の目標検出技術で検出するが、検出速度が遅い、検出精度が低いという問題があり、車底部位に埋蔵された危険品目標をよりよく検出するために、改良YOLOv3目標検出アルゴリズムを提案した。マルチスケール画像訓練,Inception-resモジュール,および大規模特徴出力分岐の3つの観点から,YOLOv3ネットワークを改良した。実験は,以下を示した。自家製の危険品データセットにおいて,2つのデータセットのマルチスケール画像訓練を用いて,ネットワークのmAP値は,約0.9%増加し,そして,単一画像検出時間は,ほとんど不変であった。対応するInception-res構造を3つのブランチで別々に増やすと,ネットワークのmAP値は約1.5%増加したが,単一画像検出時間は2.6倍増加した。大スケール特徴出力分岐を省くと、ネットワークのmAP値は0.3%低下したが、単枚の画像検査時間も相応して25.4%低下した。YOLOv3アルゴリズムモデルを,上記の方法によって統合して改良して,2つのデータセットのマルチスケール画像訓練モードを選択し,同時に,大スケール特徴出力分岐を省略して,他の2つの分岐路において,対応するInception-res構造を増やした。このように、Inception-res構造の利点を十分に結合する場合、省は検出時間のかかる影響が大きく、検出結果mAP値への影響が大きくない大スケール特徴出力分枝を節約する。改良ネットワークmAPは,約2.2%増加し,一方,単一画像検出時間は,0.014秒増加し,そして,許容範囲内であった。ネットワークは,小サイズターゲット認識効果を明らかに強化し,そして,複雑な背景危険検出の要求を満たした。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *自動車 ,  ネットワーク ,  物体認識 ,  検出法
準シソーラス用語： テンプレートマッチング ,  マルチスケール ,  検出精度 ,  *検出アルゴリズム ,  画像センシング , 【Automatic Indexing@JST】

分類 (3件)： 計算機網  (JC03000K) ,  パターン認識  (JE07000S) ,  数値計算  (JE02000J)

タイトルに関連する用語 (2件)： 自動車 ,  検出アルゴリズム