11、优化算法助力行人检测与环境信息恢复

优化算法助力行人检测与环境信息恢复

1. 优化的 YOLOv3_tiny 算法

1.1 参数优化

k - means 聚类算法在处理训练集的收敛速度和可扩展性方面表现出色，但也存在一些问题，如局部优化和数据不平衡。为解决这些问题，相继提出了二分 K - means 和 Canopy 算法。然而，k - means 聚类算法随机选择初始聚类点，导致其不确定性较大，难以获得准确的锚框值。

因此，采用 k - means++ 算法。与 k - means 聚类随机选择初始点不同，k - means++ 算法使用轮盘法选择初始聚类中心。具体操作步骤如下表所示：
| 步骤 | 计算内容 |
| — | — |
| 选择随机样本 | (x0, y0) |
| 计算各点到中心点的距离 | (D(x) = \sqrt{(x - x0)^2 + (y - y0)^2}) |
| 对距离数据进行归一化 | (D’ n(x) = D(x) / (\sum {1}^{N}D(x))) |
| 生成序列 [S1, S2, S3…SN] | (S_n = (D’_1(x) + D’_2(x) + …D’_n(x)) \cdot n) |
| 取随机值 P | Random |
| 用序列值更新随机值 | Random = Random - Sn |
| 判断后选择聚类中心 | (K (x, y) = Random \leq 0) |

1.2 结构改进

多尺度检测算法改进

理论上，YOLOv3_tiny 能检测的目标分辨率低至