基于MobileNet与YOLOv3的路面障碍检测轻量化算法
为了避免人们边行走边使用手机发生危险,本文提出了实时性强的轻量级模型(Mobile-YOLOv3)来检测路面障碍.我们在广州各地拍摄路障图片并标注了一个路障数据集,使用了一个轻量级的MobileNetv1网络来替换YOLOv3的骨干网络实现轻量化,并且应用了4个方法用于提高检测精度和模型的鲁棒型.4个方法分别为:边框回归损失函数CIOU、分类损失函数Focal、预测框筛选算法Soft-NMS、负样本训练.实验结果证明,该模型获得了98.84% 的MAP.与YOLOv3对比,该模型的规模缩减了2.5倍,检测精度却提高了7%.
深度学习;目标检测;路障检测;YOLOv3;轻量化模型
31
2022-02-25(万方平台首次上网日期,不代表论文的发表时间)
共9页
176-184