一种改进的YOLOv3候选框加权融合选取策略制造技术

本发明专利技术公开了一种改进的YOLOv3候选框加权融合选取策略，属于智能优化算法技术领域。本发明专利技术中算法五和算法六对比NMS改进算法，多个类别的单一查准率提高了0.9％～14.1％，多类别平均查准率提高了3.1％～6.5％。这两种算法性能相当，并且对比传统的算法均有明显的优势。本发明专利技术提出的算法五和算法六的曲线几乎能重叠。本发明专利技术提出的候选框融合算法在查准率与查全率之间的博弈关系中，能在保证查全率的前提下将查准率大幅提升。本发明专利技术提出的候选框融合算法在单一类别平均检测精确度AP值、多类别平均检测精度mAP值、P‑R曲线的综合性能上完全超越了NMS改进算法，能更准确的完成目标检测任务。

【技术实现步骤摘要】
一种改进的YOLOv3候选框加权融合选取策略
本专利技术属于智能优化算法
，具体涉及一种改进的YOLOv3候选框加权融合选取策略。
技术介绍
目标检测是计算机视觉领域的热门研究方向，广泛应用于工业检测、智能导航、视频监控等诸多领域。随着机器学习方法的研究，尤其是深度学习的兴起，以Faster-RCNN、YOLO、SSD为首的一系列深度卷积神经网络，在目标检测方向上取得了较好的研究成果。相比于传统的目标检测方法，这些方法在检测精度和速度上均有显著提升。目前，检测焦点主要集中于神经网络的结构改进，对于目标检测算法的后处理阶段缺乏合理的改进方法。由于现有性能最好的目标检测算法往往是由几十上百层的神经网络结构组成，在算法结构上的改进需要很长的时间才能得到实验结果。如果有一个整体的模块能提升算法性能，并且不需要重新训练网络参数，那么这将大幅提升实验效率，也将被广泛应用。为此本专利技术将在神经网络的后处理阶段提出候选框融合算法以替代传统的非极大值抑制算法。基于神经网络的目标检测算法，在经过神经网络处理后的图像会生成成百上千个候选框以及本文档来自技高网...

【技术保护点】
1.一种改进的YOLOv3候选框加权融合选取策略，其特征在于所述包括如下步骤：/n1)将候选框按类别分组，取每个类别中局部极大值候选框记作Bk＝[x1,y1,x2,y2]及其置信度记作s，其中[x1,y1]和[x2,y2]分别表示候选框的左上角及右下角坐标；/n2)取与极大值候选框重叠度大于预定阈值N

【技术特征摘要】
1.一种改进的YOLOv3候选框加权融合选取策略，其特征在于所述包括如下步骤：
1)将候选框按类别分组，取每个类别中局部极大值候选框记作Bk＝[x1,y1,x2,y2]及其置信度记作s，其中[x1,y1]和[x2,y2]分别表示候选框的左上角及右下角坐标；
2)取与极大值候选框重叠度大于预定阈值Nt的n个冗余框集合记作C＝{C1,C2,..,Ci,..,Cn}及其相对应的类别置信度集合记作S＝{s1,s2,..,si,..,sn}，计算出每个候选框的融合权值；
3)将YOLOv3模型与传统NMS算法结合，通过在COCO数据集上训练，预置初始学习率和衰减系数，采用Adam使神经网络达到收敛，通过将训练数据集图像...

【专利技术属性】
技术研发人员：张红，李建华，徐志刚，曹洁，任伟，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：甘肃;62