基于Ghost卷积和通道注意力机制级联结构的车辆检测方法研究 |
| |
引用本文: | 梁继然,陈壮,董国军,陈琦,许延雷.基于Ghost卷积和通道注意力机制级联结构的车辆检测方法研究[J].天津大学学报(自然科学与工程技术版),2023(2):193-199. |
| |
作者姓名: | 梁继然 陈壮 董国军 陈琦 许延雷 |
| |
作者单位: | 1. 天津大学微电子学院;2. 天津市成像与感知微电子技术重点实验室;3. 天津七一二通信广播股份有限公司 |
| |
摘 要: | 为了降低YOLOv3算法的计算量和模型体积,提高对小目标的检测能力,本文提出一种基于Ghost卷积和通道注意力机制级联结构,将其作为YOLOv3算法的特征提取网络,以减少网络计算量;在小目标预测支路引入S-RFB模块,扩大模型的感受野,更好地利用上下文信息,以提高对小目标的检测能力;使用CIOU损失作为边界框位置损失项,以加速模型的收敛.利用高斯噪声对训练样本进行数据增强,提高模型的鲁棒性.在UA-DETRAC数据集上进行实验,实验结果表明,相比于YOLOv3算法,基于Ghost卷积和通道注意力机制级联结构的G-YOLO算法的平均精度提高了2.7%,模型体积减小了67%,在复杂道路交通环境中具有良好的检测效果.
|
关 键 词: | 车辆检测 卷积神经网络 轻量化 |
|
|