典型文献
结合轻量化骨干与多尺度融合的单阶段检测器
文献摘要：
目的 基于卷积神经网络的单阶段目标检测网络具有高实时性与高检测精度,但其通常存在两个问题:1)模型中存在大量冗余的卷积计算;2)多尺度特征融合结构导致额外的计算开销.这导致单阶段检测器需要大量的计算资源,难以在计算资源不足的设备上应用.针对上述问题,本文在YOLOv5(you only look once version 5)的结构基础上,提出一种轻量化单阶段目标检测网络架构,称为E-YOLO(efficient-YOLO).方法 利用E-YOLO架构构建了E-YOLOm(efficient-YOLO medium)与E-YOLOs(efficient-YOLO small)两种不同大小的模型.首先,设计了多种更加高效的特征提取模块以减少冗余的卷积计算,对模型中开销较大的特征图通过下采样、特征提取、通道升降维与金字塔池化进行了轻量化设计.其次,为解决多尺度特征融合带来的冗余开销,提出了一种高效多尺度特征融合结构,使用多尺度特征加权融合方案减少通道降维开销,设计中层特征长跳连接缓解特征流失.结果 实验表明,E-YOLOm、E-YOLOs与YOLOv5m、YOLOv5s相比,参数量分别下降了71.5％ 和61.6％,运算量下降了67.3％和49.7％.在VOC(visual object classes)数据集上的平均精度(average precision,AP),E-YOLOm比YOLOv5m仅下降了2.3％,E-YOLOs比YOLOv5s提升了3.4％.同时,E-YOLOm的参数量和运算量相比YOLOv5s分别低15.5％与1.7％,mAP@0.5和AP比其高3.9％和11.1％,具有更小的计算开销与更高的检测效率.结论 本文提出的E-YOLO架构显著降低了单阶段目标检测网络中冗余的卷积计算与多尺度融合开销,且具有良好的鲁棒性,并优于对比网络轻量化方案,在低运算性能的环境中具有重要的实用意义.
文献关键词：
卷积神经网络(CNN);目标检测;模型轻量化;注意力模块;多尺度融合
中图分类号：
作者姓名：
黄健宸;王晗;卢昊
作者机构：
北京林业大学信息学院,北京 100083;国家林业和草原局林业智能信息处理工程技术研究中心,北京 100083
文献出处：
引用格式：
[1]黄健宸;王晗;卢昊-.结合轻量化骨干与多尺度融合的单阶段检测器)[J].中国图象图形学报,2022(12):3596-3607
A类：
YOLOm,YOLOs
B类：
多尺度融合,检测器,单阶段目标检测,目标检测网络,高实时性,高检,检测精度,常存,卷积计算,多尺度特征融合,计算开销,计算资源,you,only,look,once,version,网络架构,efficient,medium,small,同大,取模,特征图,下采样,升降,金字塔池化,轻量化设计,特征加权,加权融合,融合方案,少通道,中层,特征流,YOLOv5m,YOLOv5s,参数量,别下,运算量,VOC,visual,object,classes,average,precision,mAP,检测效率,网络轻量化,运算性能,实用意义,模型轻量化,注意力模块
AB值：
0.318447
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
