一种轻量化目标检测算法研究

摘要：

基于深度卷积神经网络的目标检测算法对硬件的计算性能要求很高,难以部署在一些嵌入式设备和移动终端中,而当前的一些轻量化分类算法没有针对目标检测任务的特点进行网络结构设计.针对这一问题,借鉴深度可分离卷积的思路,通过引入多尺度的特征融合模块,设计了一个针对目标检测任务的轻量化特征提取网络TinyNet,进而提高了轻量化特征提取网络对不同尺度目标的适应性.结合当前性能较好的YOLOv3目标检测框架,用TinyNet取代YOLOv3的特征提取网络,并利用轻量化模块进一步优化YOLOv3的检测子网络,得到一个轻量化的目标检测模型Tiny-YOLOv3+.实验结果表明,相比于使用其他轻量化特征提取网络设计的YOLOv3,Tiny-YOLOv3+在检测精度有所提升的基础上,大大地降低了原模型的参数量,明显提升了检测速度,有效提高了轻量化检测模型的性能和效率.

关键词：深度学习、目标检测、轻量化、深度可分离卷积、YOLOv3

所属期刊栏目：30

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家重点研发计划项目2018YFC0832000

在线出版日期：2020-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：42-47