如需要完整文档点击下方 "点击下载文档" 按钮

由于移动终端计算能力和内存大小的限制, 在移动设备上进行实时目标检测具有非常大的挑战性。 为了更好地在无人驾驶汽车等移动设备上进行目标检测, 该文以 YOLOv3 单阶段目标检测模型为基础,对部署在移动设备上的目标检测模型进行优化, 以提高模型的检测精度( MAP)并降低计算复杂度。 具体改进措施为:基于 DarkNet-53 为主干网络引入组卷积和通道洗牌技术;基于 M. G. Hluchyj 等学者提出的网络设计指导原则,对主干网络的残差单元和下采样单元进行修改优化;为减轻 YOLOv3 模型对于密集目标的漏选和标签重写问题,引入特征混合金字塔模型。 通过在 Pascal VOC2007和 VOC2012 数据集上进行实验对比,优化模型的整体精度较 YOLOv3 提高 8. 17% ,模型参数量降低 1. 21 M,在与 YOLOv4的参数量大体相等的情况下达到了 YOLOv4 的检测精度。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于组卷积特征融合的 One-Stage 目标检测模型》

将 完整文档 下载到本地，方便收藏和查阅

文件号：061394

点击下载文档