基于分割注意力与线性变换的轻量化目标检测

摘要：

为了满足目标检测的实时性和模型轻量化需求,提高目标检测精度,对YOLOv5 中的特征融合模块进行优化,提出基于金字塔分割注意力与线性变换的轻量化目标检测算法PG-YOLOv5.利用金字塔分割注意力模块,捕获不同尺度特征图的空间信息以丰富特征空间,提升网络的多尺度特征表示能力,提高目标检测的精度.利用基于线性变换的GhostBottleNeck模块,以少量原始特征图与线性变换得到的特征图相结合的方式,有效减少模型参数量.算法的平均精度均值从YOLOv5L的81.2%提高到PG-YOLOv5 的85.7%,PG-YOLOv5 的参数量比YOLOv5L的下降了 36%.将PG-YOLOv5 部署到Jetson TX2,并编写目标检测软件.实验结果表明,基于Jetson TX2 的目标检测系统的图像处理速度为262.1 ms/帧,PG-YOLOv5 的平均精度均值为85.2%;与YOLOv5 原始模型相比,PG-YOLOv5更适合边缘端部署.

关键词：目标检测、金字塔分割注意力、线性变换、轻量化、YOLO

所属期刊栏目：57

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家重点研发计划;天津市科技计划资助项目

在线出版日期：2023-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1195-1204