基于 Yolov3 与迁移学习的红外图像行人目标检测
人工智能
2020-12-22 v1 计算机视觉与模式识别
摘要
随着红外夜视车辆辅助系统在自动驾驶中的逐步应用，所采集红外图像中行人的准确度逐步提升。本文采用迁移学习方法将 YOLOv3 模型应用于实现红外图像中的行人目标检测。将目标检测模型 YOLOv3 迁移至 CVC 红外行人数据集，并使用 Diou loss 替换原始 YOLO 模型的损失函数以测试不同超参数，从而获得最佳迁移学习效果。实验结果表明，在 CVC 数据集的行人检测任务中，Yolov3 模型的平均精度(AP)达到 96.35%，Diou-Yolov3 模型为 72.14%，但后者具有更快的损失曲线收敛速率。通过比较两模型可得迁移学习的效果。
引用
@article{arxiv.2012.11185,
title = {Infrared image pedestrian target detection based on Yolov3 and migration learning},
author = {Shengqi Geng},
journal= {arXiv preprint arXiv:2012.11185},
year = {2020}
}