作者 | 算法 | 方法 | 优势 | 局限性 |
施辉 [35] | 改进YOLOv3 | 在训练迭代过程中改变输入图像的尺寸,增加模型对尺度的适应性 | mAP达到了92.13%,检测速率提高到62 fps | 检测准确率不及 Faster R-CNN |
Song [36] | 改进YOLOv3 | 提出压缩激励的RSSE模块加强特征提取,利用Reset模块替换原始的CBL模块 | 改进后的算法不仅满足检测任务的实时性,同时具有较高的准确率 | 对于光照变化大和小目标的检测效果不佳 |
金雨芳 [37] | 改进YOLOv4 | v4算法的3个特征图输出的基础上增加了128×128特征图输出,从而将特征图输出的8倍下采样改为4倍下采样,为后续特征融合提供了更多小目标特征 | 所提方法的平均精度高达91.17%,相比原网络检测精度提高了2.96%,检测速度基本不变,可达52.9 fps | 虽然提高了检测精度,但模型的复杂度较高,检测速度变慢 |
关雅琦 [38] | 改进YOLOv5 | 提出了一种适用于安全帽检测的混合型数据增强方法;提出一种混合型数据增强方法:在常用线性变换处理图像的基础上,通过混合加噪、HSV随机变换和随机矩形遮挡等多种方法对图片进行数据处理 | 有较高的检测精度和抗干扰效果 | 使用场景单一,只针对建筑施工现场的安全帽佩戴检测识别 |