基于改进YOLOv3的空间非合作目标部件识别算法

摘要：

在使用深度学习方法进行空间非合作目标部件识别时,由于神经网络参数量大且嵌入式设备计算能力不足,难以将神经网络有效地部署在嵌入式平台上.针对该问题,文中提出了一种改进的轻量化目标检测网络,在保证检测精度的同时,有效降低网络参数量,提升了网络检测速度.所提网络模型在YOLOv3的基础上借鉴深度可分离卷积的思想,引入Bottleneck模块降低了模型参数量,提升了检测速度,同时引入Res2Net残差模块来增加模型的感受野尺度丰富性和结构深度,提高了网络对于小目标的检测能力.设计了一个新的轻量化特征提取主干网络Res2-MobileNet,并结合多尺度检测方法进行空间非合作目标部件识别.实验结果表明,相比YOLOv3,所提模型在参数量上降低了55.5％,检测速度由34fps提高到65 fps,同时对于小目标的检测效果也有显著提升.

关键词：目标识别、轻量化、YOLOv3、空间非合作目标

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

在线出版日期：2022-06-22（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：358-362