基于深度学习的多模态行人检测算法

针对全天候工作的多模态行人检测算法体积大、运算量高、效率不足的问题，提出一种基于深度学习MBNet算法搭建的轻量级多模态行人检测算法(G-MBNet)。采用ResNet18算法并结合跨阶段链接的思想搭建CSP-ResNet18轻量级特征提取网络，以保证检测算法精度；引入轻量级高效通道注意力(ECA)模块来提升特征提取网络对重要特征的关注能力，在引入极少参数的情况下提升算法的检测精度；通过引入轻量级Ghost卷积模块来重构MBNet算法的特征提取网络，在保证特征提取性能的情况下进一步降低算法的参数与体积，提升算法的检测速度。采用所提的G-MBNet算法在KAIST行人数据集进行测试，实验结果表明：G-MBNet算法大小是原始算法的32.33%,参数量是原始算法的37.81%,检测速度是原始算法的1.53倍；G-MBNet算法可在保证行人识别精度的情况下有效提升检测速度。