典型文献
基于改进YOLOv4-tiny的轻量化室内人员目标检测算法
文献摘要：
深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署.针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法.首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度.在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备.
文献关键词：
室内人员检测;深度学习;YOLOv4-tiny;Ghost卷积
中图分类号：
作者姓名：
赵凤;李永恒;李晶;刘汉强
作者机构：
西安邮电大学通信与信息工程学院 西安 710121;陕西师范大学计算机科学学院 西安 710119
文献出处：
引用格式：
[1]赵凤;李永恒;李晶;刘汉强-.基于改进YOLOv4-tiny的轻量化室内人员目标检测算法)[J].电子与信息学报,2022(11):3815-3824
A类：
室内人员检测
B类：
YOLOv4,tiny,目标检测算法,检测领域,高算力,GPU,嵌入式设备,Ghost,卷积特征提取,取模,通道混洗,深度可分离卷积,网络参数,空洞卷积,卷积模块,多具,判别性,特征信息,空洞空间金字塔池化,位置信息,注意力机制,特征融合,推理速度,硬件平台
AB值：
0.284943
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。
