典型文献
基于YOLO v4的夜间车辆检测模型轻量化研究
文献摘要：
针对夜间车辆检测模型的实时性要求,以YOLO v4模型为基础,将主干特征提取网络更改为灵活性强且易于实现的MobileNet V2,并将加强特征提取网络里面的普通卷积全部更改为深度可分离卷积,同时模型给每个通道引入缩放因子,并与该通道输入相乘.然后将缩放因子正则项和权重损失函数联合进行稀疏正则化训练,此时选择较小的缩放因子进行通道剪枝,剪枝后模型的部分通道缺失,检测性能会降低,因此通过模型微调来弥补精度损失,并经过性能评估后再进行修剪迭代.最后得到一个轻量化的车辆检测模型,使其检测速度更快,更能满足夜间车辆检测的实时性需求.经过在UA-DETRAC数据集的实验分析可知:轻量化夜间车辆检测模型的检测精度可达98.29％,同时每秒处理帧数高达42帧图像.
文献关键词：
夜间车辆检测;YOLO v4;MobileNet;深度可分离卷积;通道剪枝
中图分类号：
作者姓名：
徐丽;刘星星;屈立成
作者机构：
长安大学 信息工程学院,陕西 西安 710000
文献出处：
引用格式：
[1]徐丽;刘星星;屈立成-.基于YOLO v4的夜间车辆检测模型轻量化研究)[J].计算机技术与发展,2022(03):84-89
A类：
B类：
YOLO,v4,夜间车辆检测,检测模型,模型轻量化,量化研究,主干特征提取网络,更改,MobileNet,V2,里面,深度可分离卷积,缩放因子,相乘,正则项,损失函数,数联,稀疏正则化,通道剪枝,检测性能,模型微调,调来,精度损失,性能评估,修剪,检测速度,性需求,UA,DETRAC,检测精度,每秒
AB值：
0.283506
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。
