基于YOLOv4目标检测算法的轻量化网络设计

摘要

目标检测是计算机视觉领域的一个重要研究方向,在交通监控、人机交互等方面都有着广泛的应用。目前,基于深度学习的YOLOv4检测网络与传统目标检测相比,其检测精度虽然有所提高,但存在网络参数量大、对计算机硬件要求较高等问题。针对于此,本文对YOLOv4网络进行了改进,即采用MobileNetv2与YOLOv4的主干特征提取网络相结合,并利用深度可分离卷积模块,对YOLOv4的PANet和SPP模块中的传统卷积进行了优化,在公开数据集VOC07+12上进行训练,并将训练后的模型在VOC07test数据集上进行分析、检测。实验结果表明,改进后的YOLOv4卷积神经网络相比于YOLOv4神经网络参数量降低了83.6%,FPS提升了5.8,mAP@0.5下降了8.5%,降低了网络对计算机硬件的要求,实现了网络模型的轻量化。