李 雪,吴圣明,马丽丽,陈金广

(西安工程大学 计算机科学学院,西安 710048)

根据国家统计局的统计数据显示[1],2020 年我国电子商务平台交易额达到37.2 万亿元,按同比口径计算,比去年增长4.5%. 消费需求不断释放,新消费模式拉动网络消费快速增长. 服装商品交易是电商平台交易的重要组成部分,随着线上消费快速发展,电商平台的服装图像数据呈指数增长,同时这些服装图像种类繁多、样式复杂,如何通过目标检测技术准确判断图像中每种服装的类别,并定位出服装的具体位置,为顾客检索、推荐出相似的商品,提升购买体验,成为当前目标检测技术在服装领域的研究热点之一[2].

传统的机器学习方法如HOG、SIFT 等,依赖人工设计的方法提取目标特征,鲁棒性较差; 基于深度学习的目标检测技术能够在较大规模的数据集上自动提取图像特征,减少人工干预,同时提高检测准确率,因此受到广泛的关注. 基于候选框的两阶段目标检测算法,如Faster-RCNN[3]、Mask-RCNN[4]等,检测精度高但检测效率较低; 基于回归的一阶段的目标检测算法,如SSD[5]、YOLO[6,7]等,检测速度快,检测精度较高,具有很强的实用性. 但是以上模型训练对计算资源要求较高,训练所产生的权重文件通常高达几百兆,难以部署在资源有限的设备中使用.

为了降低模型的参数量和计算量,使得模型能够部署在资源有限的设备中,本文结合YOLOv5s 网络构建一个轻量级的服装目标检测模型——G-YOLOv5s,该模型使用Ghost 卷积[8]重构YOLOv5s 的主干网络,Ghost 卷……