文献类型：期刊文章

作　　者：李成跃[1,2] 姚剑敏[1,2,3] 林志贤[1,2] 严群[1,2] 范保青[1,2]

Li Chengyue;Yao Jianmin;Lin Zhixian;Yan Qun;Fan Baoqing(Flat Panel Display National and Local Joint Engineering Laboratory,National University Science Park Sunshine Technology Building,Fuzhou University,Fuzhou,Fujian 350116,China;College of Physics and Information Engineering,Fuzhou University,Fuzhou,Fujian 350116,China;Jinjiang Bosen Electronic Technology Co.,Ltd.,Quanzhou,Fujian 362200,China)

机构地区：[1]福州大学国家大学科技园阳光科技楼平板显示国家地方联合工程实验室,福建福州350116 [2]福州大学物理与信息工程学院,福建福州350116 [3]晋江市博感电子科技有限公司,福建泉州362200

出　　处：《激光与光电子学进展》

基　　金：国家重点研发计划(2016YFB0401503);广东省科技重大专项(2016B090906001);福建省科技重大专项(2014HZ0003-1);广东省光信息材料与技术重点实验室开放基金(2017B030301007)。

年　　份：2020

卷　　号：57

期　　号：14

起止页码：37-45

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：YOLOv3作为开源的目标检测网络与同时期目标检测网络相比,在速度和精度上有着明显的优势。由于YOLOv3采用了新型的全卷积网络(FCN)、特征金字塔网络(FPN)和残差网络(ResNet),因此对硬件配置要求较高,导致开发成本过高,不利于工业上的应用普及。在嵌入式平台上普遍使用YOLOv3tiny进行检测,虽然计算量较小,但是检测效果远不如YOLOv3。为了解决在嵌入式平台上YOLOv3检测速度低的问题,提出一种基于YOLOv3的简化版网络,与YOLOv3不同的是,在保留了对特征提取有较大帮助的FCN、FPN以及ResNet的同时,尽可能减少每层的参数量和残差层数,并尝试加入了密集连接网络空间金字塔池化。实验结果表明,该网络的参数量和检测速度大幅优于YOLOv3,且平均精度比YOLOv3tiny在PASCAL VOC2007、2012数据集上有明显的提升。

关 键 词：图像处理 轻量化网络  YOLOv3  密集连接网络  空间金字塔池化  目标检测 嵌入式平台

分 类 号：TP391.4]