基于改进Yolov4-tiny的轻量型目标检测算法

摘要：

面向视频的深度学习算法运算复杂度较高,难以满足实时性要求,严重影响了其在边缘计算和实时系统中的应用.轻量化网络成为了研究热点之一,针对大型网络的轻量化网络显著降低了原网络的参数规模,提升了检测速度,但检测精度难以满足工业需求.针对上述问题,文中提出了一种改进的目标检测轻量化网络,在保持小参数规模的前提下,有效提高了检测性能.文中在YOLOv4-tiny骨干网络中添加VIT(Vision Transformer)结构,利用多头自注意力机制使网络可以提取更深层次的物体特征;使用简化后的Bi-FPN,将两检测通道改为三检测通道,增加注意力融合机制,提高模型对图片特征的利用率,提高网络对不同尺寸大小目标的检测精度;使用Ghost卷积替换传统卷积操作,降低网络计算复杂度,减少网络参数.在COCO数据集上进行实验,实验结果表明,在保持网络规模不变的情况下,改进后的算法相比YOLOv4-tiny原网络检测精度取得了明显提升,可同时满足边缘计算及实时系统对深度网络轻量化和准确度的要求.

关键词：目标检测、轻量化网络、多头自注意力机制、加权特征融合

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-09-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：474-480