典型文献
基于深度学习的轻量化目标检测算法
文献摘要：
深度卷积神经网络在各个领域都表现出很好的效果,与之伴随的是庞大的计算量和参数量.针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题,提出一种高性能轻量化的网络模型.首先将Stem模块和ShuffleNet V2进行融合,提升网络特征提取能力,并利用融合后的网络对原始YOLOv5的骨干网络进行重构,显著降低了网络的计算量和内存占用,同时,引入可变形卷积以提升网络的检测性能.道路监控图像和VOC、COCO数据集测试结果表明,所提出的模型在保持检测精度的前提下,将参数量和模型尺寸降低了 90％,计算量仅为原始模型的18％,实现了检测模型的轻量化,更有助于在计算资源有限和对实时性要求高的场景中部署.
文献关键词：
目标检测;卷积神经网络;轻量化网络;单阶段检测算法;可变形卷积
中图分类号：
作者姓名：
宋爽;张悦;张琳娜;岑翼刚;李浥东
作者机构：
北京交通大学计算机与信息技术学院,北京100044;现代信息科学与网络技术北京市重点实验室,北京100044;贵州大学机械工程学院,贵州贵阳550025
文献出处：
引用格式：
[1]宋爽;张悦;张琳娜;岑翼刚;李浥东-.基于深度学习的轻量化目标检测算法)[J].系统工程与电子技术,2022(09):2716-2725
A类：
B类：
轻量化目标检测,目标检测算法,深度卷积神经网络,计算量,参数量,计算资源,资源需求,太大,Stem,ShuffleNet,V2,网络特征,特征提取能力,YOLOv5,骨干网络,内存占用,可变形卷积,检测性能,道路监控,监控图像,VOC,COCO,检测精度,模型尺寸,检测模型,轻量化网络,单阶段检测算法
AB值：
0.367672
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。
