基于GhostNet残差结构的轻量化饮料识别网络

摘要：

YOLOv4-Tiny目标检测网络算法存在参数多和计算量大等问题,无法部署在资源有限的平台上.提出一种基于GhostNet残差结构的主干轻量级目标检测网络算法YOLO-GhostNet.该算法采用GhostNet结构将普通卷积分成两步,即使用较少的卷积核生成一部分特征图,对生成的特征图通过简单计算获得另一部分特征图,并将两组特征图进行拼接,以减少计算所需资源与参数量.通过GhostNet构建残差结构的YOLO-GhostNet算法在经过批量归一化层优化后模型尺寸只有2.18 MB,较YOLOv4-Tiny算法模型尺寸减小90％.YOLO-GhostNet算法在GPU加速环境下平均处理图片速度比YOLOv4-Tiny算法提高24％,CPU处理速度比YOLOv4-Tiny加快56％.实验结果表明,该算法在饮料测试集中的平均精确度均值达到79.43％,相比YOLOv4-Tiny算法,其在精度无损失情况下能够大幅降低网络计算量和参数量,同时加快推理速度,更适合部署于资源算力不足的嵌入式设备.

关键词：深度学习;卷积神经网络;YOLOv4-Tiny算法;残差结构;轻量化;目标检测

所属期刊栏目：48

分类号：TP183(自动化基础理论)

资助基金：四川省教育厅高校创新团队项目15TD0022

在线出版日期：2022-03-22（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：310-314