文献类型：期刊文章

作　　者：管嘉程[1,2] 任红卫[2] 周宋佳[2]

GUAN Jia-Cheng;REN Hong-Wei;ZHOU Song-Jia(College of Information and Control Engineering,Jilin Institute of Chemical Technology,Jilin 132022,China;School of Automation,Guangdong University of Petrochemical Technology,Maoming 525000,China)

机构地区：[1]吉林化工学院信息与控制工程学院,吉林132022 [2]广东石油化工学院自动化学院,茂名525000

出　　处：《计算机系统应用》

基　　金：广东省基础与应用基础研究基金(2023A1515010168,2019A1515010830);广东省普通高校重点专项(2022ZDZX1018);茂名市科技计划(2022S043);广东石油化工学院博士启动项目(2019BS001)。

年　　份：2023

卷　　号：32

期　　号：9

起止页码：132-142

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：针对移动端目标检测算法需要模型参数量与计算量更少、推理速度更快和检测效果更好以及目标检测算法对于小目标误检、漏检及特征提取能力不足等问题,提出一种基于YOLOv5改进的轻量化目标检测算法.该算法使用轻量级网络MobileNetV2作为目标检测算法的骨干网络降低模型的参数量与计算量,通过使用深度可分离卷积结合大卷积核的思想降低网络的计算量与参数量,并提升了小目标的检测精度.使用GhostConv来替换部分普通卷积,进一步降低参数量与计算量.本文算法在VOC竞赛数据集, COCO竞赛数据集两份数据集上均进行了多次对比实验,结果表明本文算法相比于其他模型参数量更小、计算量更小、推理速度更快以及检测精度更高.

关 键 词：轻量化 深度学习  特征金字塔网络(FPN)  YOLOv5  大核卷积  

分 类 号：TP391.41] TP183[计算机类]