融合CBAM的YOLOv4轻量化检测方法

摘要：

基于深度学习的目标检测算法应用于无人机视觉中,会极大提升无人机的场景理解能力,但模型参数量和计算量巨大,难以应用于移动端或嵌入式平台.因此本文提出了一种效果较好的轻量级实时检测模型,采用YOLOv4模型网络作为主要参考模型,使用MobileNet替换主干网络,并通过添加CBAM注意力机制以及Soft-NMS后处理策略来提高模型的准确性.选用PASCAL VOC数据集来测试所提出的轻量级YOLOv4模型,结果显示参数量只有原模型的一半,但速度FPS提升了 26.48,精度mAP只下降了 0.52％.将所提出的轻量化YOLOv4模型部署Nvidia Jetson TX2低功耗系统以及树莓派上,飞行试验显示在TX2上模型FPS达到了 21.8,是原始的YOLOv4的4.74倍,将本算法部署到无人机装载的嵌入式平台上,能够对航拍视野中的车辆目标进行实时识别和定位.

关键词：无人机图像、YOLOv4、MobileNet、CBAM、柔性非极大抑制策略

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;吉林省科技发展计划重点项目;吉林省科技发展计划重点项目;省院合作科技专项资金项目;中科院轻型动力创新院重点基金项目;中国科学院青年创新促进会项目

在线出版日期：2023-05-23（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：1008-1014