文献类型：期刊文章

作　　者：徐彦威[1,2] 李军[1,2] 董元方[3] 张小利[4]

XU Yanwei;LI Jun;DONG Yuanfang;ZHANG Xiaoli(School of Management Science and Information Engineering,Jilin University of Finance and Economics,Changchun 130117,China;Center for Artificial Intelligence,Jilin University of Finance and Economics,Changchun 130117,China;School of Economics and Management,Changchun University of Science and Technology,Changchun 130022,China;College of Computer Science and Technology,Jilin University,Changchun 130015,China)

机构地区：[1]吉林财经大学管理科学与信息工程学院,长春130117 [2]吉林财经大学人工智能研究中心,长春130117 [3]长春理工大学经济管理学院,长春130022 [4]吉林大学计算机科学与技术学院,长春130015

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金(61801190)。

年　　份：2024

卷　　号：18

期　　号：9

起止页码：2221-2238

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD2023_2024、DOAJ、INSPEC、JST、SCOPUS、ZGKJHX、核心刊

摘　　要：近年来,基于深度学习的目标检测算法是计算机视觉研究热点,YOLO算法作为一种优秀的目标检测算法,其发展历程中网络架构的改进,对于提高检测速度和精度起到了重要作用。对YOLOv1~YOLOv9的整体框架进行了横向分析,从网络架构(骨干网络、颈部层、头部层)、损失函数方面进行了对比分析,充分讨论了不同改进方法的优势和局限性,具体评估了改进方法对模型精度的提升效果。讨论了数据集的选择与构建方法、不同评价指标的选择依据,及其在不同应用场景中的适用性和局限性,深入研究了在五个应用领域(工业、交通、遥感、农业、生物)YOLO算法的具体改进,并对检测速度、检测精度及复杂度之间的平衡进行探讨。分析了YOLO在各领域的发展现状,通过具体实例总结YOLO算法研究中存在的问题,并结合应用领域的发展趋势,展望YOLO系列算法的未来,详细探讨了YOLO算法的四个研究方向(多任务学习、边缘计算、多模态结合、虚拟和增强现实技术)。

关 键 词：YOLO算法  目标检测 计算机视觉 特征提取 卷积神经网络

分 类 号：TP391]