基于NCS2神经计算棒的车辆检测方法

摘要：

基于深度学习的车辆检测方法准确率较高,其在性能卓越的计算机与图形处理器设备上实时性较好,但在性能相对较低的嵌入式设备上实时性较差.在改进Tiny-YOLO网络的基础上,提出一种利用NCS2神经计算棒的嵌入式车辆检测方法.采用深度可分离卷积替换Tiny-YOLO网络标准卷积降低计算量,去除池化层并使用全卷积层以保留低级特征信息,采用Tensorflow深度学习框架训练改进的Tiny-YOLO网络,并将其部署到配备NCS2神经计算棒的嵌入式设备上.实验结果表明,与原始Tiny-YOLO网络相比,改进Tiny-YOLO网络检测实时性提高1倍,在MS COCO和VOC2007数据集上平均检测准确率分别提升1.12和0.23个百分点,配备NCS2神经计算棒后该方法检测的每秒传输帧数达到12,实时性较原始Tiny-YOLO网络大幅提高.

关键词：车辆检测、深度可分离卷积、深度学习、Tiny-YOLO网络、嵌入式设备

所属期刊栏目：47

分类号：TP391.41(计算技术、计算机技术)

资助基金：教育部产学合作协同育人项目;四川省大学生创新创业训练计划项目

在线出版日期：2021-03-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：298-303