典型文献
面向嵌入式系统的轻量级目标检测算法
文献摘要：
由于嵌入式设备的内存和计算能力有限,在无人机平台上运行基于深度学习的目标检测算法进行实时解析具有很大的挑战性,同时,算法在小目标、高密度、多类别的场景下,检测精度有待提高.在此前提下,构建NCWS-YOLO轻量级算法,以YOLOv5算法为基础,基于非极大值抑制方法,融合加权框融合算法,提出了NCW方法,重构了预测端目标框筛选网络,使检测精度提升了3.9％.并且利用通道剪枝技术,对批归一化层进行通道稀疏化训练,选择不包括shortcut的层进行修剪,使参数量减少了74％,模型大小缩减了72.2％,浮点数运算降低了37.6％,将算法部署于嵌入式设备上实现了对无人机数据集的目标检测任务.所提方法在无人机数据集上测试精度(Pr)和平均精度(mAP@0.5)分别达到了0.941和0.969,在Nvidia Jetson TX2上推理速度提升了49.6％.实验数据表明,该网络能够在低功耗、算力低的嵌入式设备上进行实时检测.
文献关键词：
目标检测;模型剪枝;嵌入式设备;加权框融合;非极大值抑制
中图分类号：
作者姓名：
刘鸿志;王耀力;常青
作者机构：
太原理工大学,信息与计算机学院,山西太原030000
文献出处：
引用格式：
[1]刘鸿志;王耀力;常青-.面向嵌入式系统的轻量级目标检测算法)[J].电子设计工程,2022(24):104-109,114
A类：
NCWS,加权框融合,NCW
B类：
嵌入式系统,轻量级目标检测,目标检测算法,嵌入式设备,计算能力,无人机平台,小目标,多类别,检测精度,此前,轻量级算法,YOLOv5,非极大值抑制,抑制方法,融合算法,精度提升,通道剪枝,批归一化层,层进,稀疏化训练,shortcut,修剪,参数量,浮点数,法部,测试精度,Pr,mAP,Nvidia,Jetson,TX2,推理速度,低功耗,算力,实时检测,模型剪枝
AB值：
0.393101
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。
