融合ECA机制的轻量化YOLOv4检测模型
2023-07-21刘雅楠李维乾
计算机技术与发展 2023年7期
刘雅楠,李维乾
(西安工程大学 计算机科学学院,陕西 西安 710048)
0 引 言
目标检测作为计算机视觉领域的重要分支,已广泛应用于无人驾驶、行人检测、人脸识别等领域。基于深度学习的目标检测算法通过训练神经网络模型,由浅及深自动提取目标特征,具有更强的鲁棒性,以快速、高效、准确的特点逐渐超越传统算法成为主流。当前目标检测主要分为一阶段和两阶段算法。其中,以YOLO[1-3]系列算法为代表的一阶段目标检测直接生成候选框,通过对候选框进行回归生成预测框;以RCNN[4-6]系列算法为代表的两阶段目标检测先生成包含感兴趣目标的候选区域,然后对候选区域的候选框进行回归生成预测框。一阶段算法相对于二阶段算法准确率低,但提高了检测速度。
如今,处理计算机视觉任务的总趋势是制作更深、更复杂的网络,以达到更高的精度。而更深的网络模型通常伴随着巨大的参数量,对存储和计算资源有较高要求。因此,设计更轻量、高性能的网络模型是未来的发展趋势。轻量化神经网络架构的设计主要包括三个不同方向:人工设计轻量化网络模型、基于神经网络架构搜索的自动化神经网设计、神经网络模型的压缩[7]。近年来,相关学者设计了一些高效的网络模型,例如Iandola等[8]提出的SqueezeNet模型,该模型是将3×3卷积替换为1×1卷积,通过减少通道数来减少计算量和参数量;Zhang Xiangyu等[9]提出了ShuffleNet模型,采用深度可分离卷积和通道重排操作代替ResNet block相应的层,从而……
登录APP查看全文
