基于深度学习的轻量化目标检测算法

TP391; 深度卷积神经网络在各个领域都表现出很好的效果,与之伴随的是庞大的计算量和参数量.针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题,提出一种高性能轻量化的网络模型.首先将Stem模块和ShuffleNet V2进行融合,提升网络特征提取能力,并利用融合后的网络对原始YOLOv5的骨干网络进行重构,显著降低了网络的计算量和内存占用,同时,引入可变形卷积以提升网络的检测性能.道路监控图像和VOC、COCO数据集测试结果表明,所提出的模型在保持检测精度的前提下,将参数量和模型尺寸降低了 90％,计算量仅为原始模型的18％,实现了检测模型的轻量化,更有助于在...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 44; no. 9; pp. 2716 - 2725
Main Authors 宋爽, 张悦, 张琳娜, 岑翼刚, 李浥东
Format Journal Article
LanguageChinese
Published 现代信息科学与网络技术北京市重点实验室,北京100044%贵州大学机械工程学院,贵州贵阳550025%北京交通大学计算机与信息技术学院,北京100044 01.09.2022
北京交通大学计算机与信息技术学院,北京100044
Subjects
卷积神经网络
轻量化网络
可变形卷积
单阶段检测算法
目标检测
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2022.09.03

Cover

More Information
Summary:TP391; 深度卷积神经网络在各个领域都表现出很好的效果,与之伴随的是庞大的计算量和参数量.针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题,提出一种高性能轻量化的网络模型.首先将Stem模块和ShuffleNet V2进行融合,提升网络特征提取能力,并利用融合后的网络对原始YOLOv5的骨干网络进行重构,显著降低了网络的计算量和内存占用,同时,引入可变形卷积以提升网络的检测性能.道路监控图像和VOC、COCO数据集测试结果表明,所提出的模型在保持检测精度的前提下,将参数量和模型尺寸降低了 90％,计算量仅为原始模型的18％,实现了检测模型的轻量化,更有助于在计算资源有限和对实时性要求高的场景中部署.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2022.09.03