文献类型：期刊文章

作　　者：孔维刚[1] 李文婧[2] 王秋艳[1] 曹鹏程[3] 宋庆增[1]

KONG Weigang;LI Wenjing;WANG Qiuyan;CAO Pengcheng;SONG Qingzeng(School of Computer Science and Technology,Tiangong University,Tianjin 300387,China;School of Electrical Engineering and Automation,Tiangong University,Tianjin 300387,China;Information Science Academy of China Electronics Technology Group Corporation,Beijing 100086,China)

机构地区：[1]天津工业大学计算机科学与技术学院,天津300387 [2]天津工业大学电气工程与自动化学院,天津300387 [3]中国电子科技集团公司信息科学研究院,北京100086

出　　处：《计算机工程》

基　　金：国家自然科学基金(61802281,61702366);天津市自然科学基金(18JCQNJC70300,19JCYBJC15800);天津市教委科研计划项目(2018KJ215,2020KJ112,KYQD1817)。

年　　份：2022

卷　　号：48

期　　号：3

起止页码：181-188

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：在嵌入式设备上进行目标检测时易受能耗和功耗等限制,使得传统目标检测算法效果不佳。为此,对YOLOv4算法进行优化,设计YOLOv4-Mini网络结构,将其特征提取网络由CSPDarkNet53改为MobileNetv3-large并进行INT8量化处理,其中网络结构利用PW和DW卷积操作代替传统卷积操作以大幅减少计算量。采用SE模块为通道施加注意力机制,激活函数层运用h-swish非线性激活函数,在保证精度的情况下降低网络计算量。同时,通过量化感知训练将权重转为INT8类型,以实现模型轻量化,进一步降低网络参数量和计算量,从而在嵌入式设备上完成无人机数据集的目标检测任务。在NVIDIA Jetson Xavier NX设备上进行测试,结果显示,YOLOv4-MobileNetv3网络的mAP为34.3%,FPS为30,YOLOv4-Mini网络的mAP为32.5%,FPS为73,表明YOLOv4-Mini网络能够在低功耗、低能耗的嵌入式设备上完成目标实时检测任务。

关 键 词：目标检测 模型压缩  嵌入式设备 轻量化神经网络  模型量化  Jetson Xavier NX设备  

分 类 号：TP391]