文献类型：期刊文章

作　　者：曹远杰[1,2] 高瑜翔[1,2]

CAO Yuanjie;GAO Yuxiang(College of Communication Engineering,Chengdu University of Information Technology,Chengdu 610225,China;Meteorological Information and Signal Processing Key Laboratory of Sichuan Education Institutes,Chengdu 610225,China)

机构地区：[1]成都信息工程大学通信工程学院,成都610225 [2]气象信息与信号处理四川省高校重点实验室,成都610225

出　　处：《计算机工程》

基　　金：四川省教育厅高校创新团队项目(15TD0022)。

年　　份：2022

卷　　号：48

期　　号：3

起止页码：310-314

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：YOLOv4-Tiny目标检测网络算法存在参数多和计算量大等问题,无法部署在资源有限的平台上。提出一种基于GhostNet残差结构的主干轻量级目标检测网络算法YOLO-GhostNet。该算法采用GhostNet结构将普通卷积分成两步,即使用较少的卷积核生成一部分特征图,对生成的特征图通过简单计算获得另一部分特征图,并将两组特征图进行拼接,以减少计算所需资源与参数量。通过GhostNet构建残差结构的YOLO-GhostNet算法在经过批量归一化层优化后模型尺寸只有2.18 MB,较YOLOv4-Tiny算法模型尺寸减小90%。YOLO-GhostNet算法在GPU加速环境下平均处理图片速度比YOLOv4-Tiny算法提高24%,CPU处理速度比YOLOv4-Tiny加快56%。实验结果表明,该算法在饮料测试集中的平均精确度均值达到79.43%,相比YOLOv4-Tiny算法,其在精度无损失情况下能够大幅降低网络计算量和参数量,同时加快推理速度,更适合部署于资源算力不足的嵌入式设备。

关 键 词：深度学习  卷积神经网络 YOLOv4-Tiny算法  残差结构  轻量化 目标检测

分 类 号：TP183]