抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】