基于改进FCOS的目标检测轻量化方法研究

摘要：

随着边缘AI的快速发展,在终端使用轻量级目标检测技术成为研究热点.因此,对FCOS全卷积单阶段目标检测算法进行改进,提出轻量级的LIm-FCOS网络用于终端检测具有意义.首先提取特征骨干网络使用ShuffleNetV2,颈部结构引入改进的BiFPN代替FPN,并采用深度可分离卷积替代普通卷积从而减少计算量.检测头部分改为单独检测,分类分支去掉Center-ness,使用Quality Focal Loss预测分类和边框质量进一步消除训练和预测时置信度的差异,回归分支采用Distribution Focal Loss来改善边框位置的分布,为提高坐标回归准确度加入GIoULoss辅助收敛.经过COCO2017数据集测试,得到LIm-FCOS的mAP为27.5％,与YOLOX-Nano相比,多了 1.5M参数量、0.43GFLOPs计算量,精度提升了 2.2％,同时经过PC端模型推理可视化结果说明网络轻量化方法有效.

关键词：目标检测、FCOS、S ShuffleNetV2、BiFPN、Focal Loss、轻量化

所属期刊栏目：25

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：22-25,13