APP下载

基于YOLOv3-tiny 的视频监控目标检测算法

2022-07-21王均成贺超赵志源邹建纹

电子技术应用 2022年7期
关键词:特征检测

王均成 ,贺超 ,赵志源 ,邹建纹

(1.重庆邮电大学 通信与信息工程学院,重庆 400065;2.先进网络与智能互联技术重庆市高校重点实验室,重庆 400065;3.泛在感知与互联重庆市重点实验室,重庆 400065)

0 引言

近年来,目标检测算法已经广泛应用于各个视频监控场景,包括车辆检测[1]、行人检测[2]、农业检测[3]、人类异常行为检测[4]等,越来越复杂的目标检测网络展示了最先进的目标检测性能。但在实际应用中,往往需要在视频监控中一些计算能力及内存有限的设备上进行实时目标检测。例如,嵌入式平台视频监控,其可用计算资源一般仅限于低功耗嵌入式图形处理单元(Graphic Processing Unit,GPU)。这极大地限制了此类网络在相关领域的广泛应用,使得在资源受限设备上实现实时目标检测非常具有挑战。

为了实现资源有限设备上目标检测这一挑战,人们对研究和设计低复杂度的高效神经网络体系架构越来越感兴趣。而著名的YOLO[5](You Only Look Once,YOLO)则是围绕效率设计的一阶段目标检测算法,它可以在高端图形处理器上实现视频监控目标高效检测。然而对于许多资源受限监控设备来说,这些网络架构参数量大且计算复杂度较高,使得在嵌入式等监控设备上运行时推理速度大幅下降。YOLOv3[6]是YOLO 系列应用在各领域最普遍的算法,YOLOv3-tiny 则是在该算法的基础上简化的,虽然精度显著下降但具有了更少计算成本,这大大增加了在资源受限监控设备上部署目标检测算法的可行性。

本文提出了一种基于YOLOv3-tiny 的目标检测算法YOLOv3-SF,将改进的ShuffleNetV2[7]网络与YOLOv3-tiny架构进行结合,并加入设计的注意力机制模块使神经网络能学习到更丰富的空间位置信息。……

登录APP查看全文

猜你喜欢

特征检测
如何表达“特征”
不忠诚的四个特征
小波变换在PCB缺陷检测中的应用
线性代数的应用特征