基于分组异构卷积的轻量级目标检测网络
目前的目标检测模型存在参数量多、模型体积大及检测速度慢的缺点,不能在实时场景下应用.例如,对于自动驾驶技术,不仅需要精准的检测来保障安全,还需要实现快速检测以保证车辆的实时决策.针对以上问题,提出了一种端对端的轻量级目标检测网络FGHDet.首先,针对异构卷积HetConv逐通道卷积效率低的问题,对特征图进行分组,提出了分组异构卷积GHConv(Grouping Heterogeneous Convolution);其次,将GHConv和Fire Module组合,构建了基础模块FGH Module;最后,以FGH Mdolue为基础,搭建了端对端的轻量级目标检测网络FGHDet.FGHDet主要通过两种方法来减少参数量:1)使用1×1的卷积对特征图进行降维,减少3×3滤波器的输入通道数量;2)使用GHConv替换传统的卷积核.以KITTI数据集为实验数据,在深度学习框架Keras上完成了模型的训练和评估.实验结果表明,FGHDet在KITTI数据集上的mAP可以达到74.4％,高于Faster R-CNN的70.8％;模型检测速度为28.7 FPS,优于对比模型中最快的SqueezeDet;而且该模型的大小仅为2.6 MB,是Faster R-CNN模型体积的1/200.
目标检测、轻量级、分组异构卷积、FGHDet、KITTI
47
TP391(计算技术、计算机技术)
2020-04-29（万方平台首次上网日期，不代表论文的发表时间）
共4页
108-111
