文档介绍：第39卷 第1期 数字技术与应用
2021年 1月 26×26、13×13,小尺寸特征图将以2倍上采样与上层特
在一趟完整过程中同时完成对目标物体的检测和识别
征图堆叠, 将这三种尺寸的特征图进行分类网络中完成
任务,具有识别速度快的优点,目前广泛应用的YOLO系
分类任务。YOLOv3主干网络如图1所示。
列算法[ 4 ] 就属于“一阶段”算法。
3种尺寸的特征图相当于再图像上进行了3 种不同尺
YOLO系列算法凭借着更强的泛化能力,得到了比R-
寸的网格划分, 模型最终的输出结果也对应于每一个划
CNN系列算法更多的关注[5]。文献[6]将卡尔曼滤波算法引
分网格, 且每个网格都将有3 个候选区域, 每个候选区域
入YOLOv3算法中提出一种增强Tiny YOLOv3算法,并将
都有一个分支,所以一张原始图像经过Yolov3网络后将
该算法应用到车辆检测中, 能够很好的解决小目标车辆
产生的候选区域数量为:3×13×13+3×26×26+3×52×
漏检为。文献[7]将YOLOv3算法应用到我国水域监测区域
5 2 = 1 0 6 4 7 。这些候选区域中大多数都将被过滤, 在
的船舶检测识别应用中,并通过大量实践证明,YOLOv3
YOLOv3算法中,引入了非极大值抑制法来对候选区域进
算法相比传统深度学习算法具有更好的准确性和实时