基于组卷积特征融合的One-Stage目标检测模型

摘要：

由于移动终端计算能力和内存大小的限制,在移动设备上进行实时目标检测具有非常大的挑战性.为了更好地在无人驾驶汽车等移动设备上进行目标检测,该文以YOLOv3单阶段目标检测模型为基础,对部署在移动设备上的目标检测模型进行优化,以提高模型的检测精度(MAP)并降低计算复杂度.具体改进措施为:基于DarkNet-53为主干网络引入组卷积和通道洗牌技术;基于M.G.Hluchyj等学者提出的网络设计指导原则,对主干网络的残差单元和下采样单元进行修改优化;为减轻YOLOv3模型对于密集目标的漏选和标签重写问题,引入特征混合金字塔模型.通过在Pascal VOC2007和VOC2012数据集上进行实验对比,优化模型的整体精度较YOLOv3提高8.17％,模型参数量降低1.21 M,在与YOLOv4的参数量大体相等的情况下达到了YOLOv4的检测精度.

关键词：卷积神经网络;目标检测;残差网络;特征融合金字塔;通道洗牌;组卷积

所属期刊栏目：31

分类号：TP391(计算技术、计算机技术)

资助基金：河南省科技计划项目182102210126

在线出版日期：2021-11-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：86-94