深度卷积神经网络模型在很多公开的可见光目标检测数据集上表现优异,但是在红外目标检测领域,目标样本稀缺一直是制约检测识别精度的难题.针对该问题,本文提出了一种小样本红外图像的样本扩增与目标检测算法.采用基于注意力机制的生成...深度卷积神经网络模型在很多公开的可见光目标检测数据集上表现优异,但是在红外目标检测领域,目标样本稀缺一直是制约检测识别精度的难题.针对该问题,本文提出了一种小样本红外图像的样本扩增与目标检测算法.采用基于注意力机制的生成对抗网络进行红外样本扩增,生成一系列保留原始可见光图像关键区域的红外连续图像,并且使用空间注意力机制等方法进一步提升YOLOv3目标检测算法的识别精度.在Grayscale-Thermal与OSU Color-Thermal红外–可见光数据集上的实验结果表明,本文算法使用的红外样本扩增技术有效提升了深度网络模型对红外目标检测的精度,与原始YOLOv3算法相比,本文算法最高可提升近20%的平均精确率(mean average precision,mAP).展开更多
文摘深度卷积神经网络模型在很多公开的可见光目标检测数据集上表现优异,但是在红外目标检测领域,目标样本稀缺一直是制约检测识别精度的难题.针对该问题,本文提出了一种小样本红外图像的样本扩增与目标检测算法.采用基于注意力机制的生成对抗网络进行红外样本扩增,生成一系列保留原始可见光图像关键区域的红外连续图像,并且使用空间注意力机制等方法进一步提升YOLOv3目标检测算法的识别精度.在Grayscale-Thermal与OSU Color-Thermal红外–可见光数据集上的实验结果表明,本文算法使用的红外样本扩增技术有效提升了深度网络模型对红外目标检测的精度,与原始YOLOv3算法相比,本文算法最高可提升近20%的平均精确率(mean average precision,mAP).
