文献类型：期刊文章

作　　者：郭宇阳[1] 胡伟超[2,4] 戴帅[3] 陈艳艳[4]

GUO Yuyang;HU Weichao;DAI Shuai;CHEN Yanyan(School of Traffic Management,People’s Public Security University of China,Beijing 100038,China;Scientific Research Management Department,Road Traffic Safety Research Center of the Ministry of Public Security,Beijing 100062,China;Transportation Policy Planning Research Office,Road Traffic Safety Research Center of the Ministry of Public Security,Beijing 100062,China;School of Metropolitan Transportation,Beijing University of Technology,Beijing 100124,China)

机构地区：[1]中国人民公安大学交通管理学院,北京100038 [2]公安部道路交通安全研究中心科研管理组,北京100062 [3]公安部道路交通安全研究中心交通政策规划研究室,北京100062 [4]北京工业大学城市交通学院,北京100124

出　　处：《计算机工程与应用》

基　　金：国家重点研发计划(2020YFB1600304);公安部技术研究计划(2019JSYJB07);中央级公益性科研院所基本科研业务费专项(111041000000180001201101)。

年　　份：2022

卷　　号：58

期　　号：6

起止页码：192-199

语　　种：中文

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

摘　　要：针对路侧交通监控场景和智能交通管控需要,提出轻量型的车辆检测算法GS-YOLO,解决现有模型检测速度慢、占用内存多的问题。GS-YOLO借鉴GhostNet思想将传统卷积分为两步,利用轻量操作增强特征,降低模型的计算量。在主干特征提取网络中引入注意力机制,对重要信息进行选择,提高模块的检测能力。另外参考SqueezeNet结构,使用Fire Module和深度可分离卷积减少模型参数,模型大小从244 MB降低到34 MB,内存占用降低了86%。使用Roofline模型对实验数据和模型实际性能进行分析,结果表明GS-YOLO的精确度(AP)达到85.55%,相比YOLOv4提升了约0.45%。由于受计算平台带宽影响,GS-YOLO在GPU上检测速度提升7.3%,但在CPU上检测速度提高了83%,更适用于算力资源不足的小型设备。

关 键 词：图像处理 目标检测 轻量化 GhostNet  深度可分离卷积  

分 类 号：TP391.4]