基于注意力机制的轻量化实时目标检测深度网络研究.pdfVIP

摘要 摘 要 计算机视觉技术随着卷积神经网络快速发展取得了巨大突破，在视觉检测 领域，已经出现了众多如YOLO 、Fast-RNN 等经典高精度模型。然而这些网络 模型也存在着两个问题：一是经典目标检测模型参数、浮点计算量庞大，不能在 性能较弱的移动设备推理部署，二是随着网络模型参数、浮点计算量减少，网络 模型性能直线下降，即网络轻量化后检测精度不足。这些问题限制了目标检测算 法的落地应用和检测效果。 针对上述问题，本文基于主流目标检测网络 YOLOv3 进行了改进，提出了 一种轻量级目标检测网络 YOLO-SNet-tiny ，该网络模型主要进行了网络模型轻 量化和提升网络模型检测精度两个方面研究与创新。针对网络模型轻量化：一是 将YOLOv3 模型骨干网络直接替换为ShuffleNet v2 轻量级特征提取网络。二是 将颈部网络、检测头网络中常用的标准卷积替换为轻量级的深度卷积。这两种方 法大量减少了网络模型中的参数与浮点计算量。针对提升网络模型检测精度：一 是提出了轻量级颈部网络结构 PAN-Tiny ，进行自上而下和自下而上双向特征融 合。二是提出一种新混合注意力机制模块，增强网络对重要信息的关注度。三是 提出一种全新的轻量级解耦检测头 Head-Lite ，精细化分类与回归任务。这三种 方法缓解了模型轻量化后导致目标检测模型性能大幅度下滑的情况。 为验证YOLO-SNet-tiny 性能，本文以COCO2017 为训练和验证数据集在嵌 入式设备Jetson Nano Bo1 CPU 上进行了实验，实验结果显示，YOLO-SNet-tiny 在COCO 数据集上mAP(0.5)达到了30.4%，与前沿模型YOLOv4-tiny 相比，在 相同分辨率的情况下，YOLO-SNet-tiny 以比YOLOv4-tiny 低 10%mAP(0.5)的精 3 YOLOv4-tiny 度损失，获得了约 倍于 的模型推理速度，浮点运算量仅约为 YOLOv4-tiny 1/14 YOLOv4-tiny 1/6 的 、网络参数量约为 的 。 关键词：实时目标检测；特征融合；注意力机制；网络轻量化 I 目录 目 录 第1 章 绪论·····················································································1 1.1 研究背景及意义······································································1 1.2 国内外研究现状······································································2 1.2.1 目标检测研究现状···························································2 1.2.2 轻量化模型研究现状························································4 1.3 主要工作及结构组织································································6 1.3.1 主要工作·······································································6 1.3.2 论文结构安排···························································