文献类型：期刊文章

作　　者：郝琨[1] 王阔[1] 王贝贝[2]

HAO Kun;WANG Kuo;WANG Bei-bei(School of Computer and Information Engineering,Tianjin Chengjian University,Tianjin 300384,China;School of Control and Mechanical Engineering,Tianjin Chengjian University,Tianjin 300384,China)

机构地区：[1]天津城建大学计算机与信息工程学院,天津300384 [2]天津城建大学控制与机械工程学院,天津300384

出　　处：《浙江大学学报（工学版）》

基　　金：国家自然科学基金资助项目(61902273)。

年　　份：2022

卷　　号：56

期　　号：8

起止页码：1622-1632

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：在水下生物检测中,经典目标检测模型由于体积大、参数量多,不适用于微小型水下硬件设备,而现有轻量化模型又难以平衡检测精度和实时性.针对这一问题,本研究提出了基于改进Mobilenet-YOLOv3的轻量级检测算法CPM-YOLOv3,该算法利用规整通道剪枝算法对Mobilenet-YOLOv3进行剪枝,并将特征提取网络中的SE(squeeze-and-excitation)模块替换成CBAM (convolutional block attention module),实现对网络模型的压缩.同时,在不同尺寸的检测层中分别加入2个CBAM,在几乎不增加模型大小的情况下提升模型关注目标特征信息的能力.实验结果表明,CPM-YOLOv3模型大小仅有4.86 MB,与原模型相比大小降低了94.7%,平均检测精度为87.0%,速度为5.1 ms/帧.相较于其他网络模型,CPM-YOLOv3更适合在微小型水下设备中应用.

关 键 词：水下生物检测  轻量化模型 通道剪枝  注意力机制  深度学习  

分 类 号：TP391.4]