基于组卷积特征融合的One-Stage目标检测模型

摘要

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.