基于深度学习的轻量化目标检测算法

作     者：宋爽 张悦 张琳娜 岑翼刚 李浥东 SONG Shuang;ZHANG Yue;ZHANG Linna;CEN Yigang;LI Yidong

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 

出 版 物：《系统工程与电子技术》 (Systems Engineering and Electronics)

年 卷 期：2022年第44卷第9期

页      面：2716-2725页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划(2019YFB2204200) 国家自然科学基金(62062021,61872034,62011530042) 北京市自然科学基金(4202055) 广西自然科学基金(2018GXNSFBA281086) 贵州省科技计划(黔科中引地4023)资助课题 

主　　题：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 

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。