多尺度特征融合轻量化夜间红外行人实时检测
针对辅助驾驶中夜间小目标红外行人检测精度低、网络模型占用内存空间大、检测速度难以满足实时检测要求等问题，提出了一种轻量化的夜间红外图像行人检测神经网络YOLO-Person。首先提出一种以MobileNetV3轻量化网络为骨干网络，以多尺度融合目标检测层为预测模块的网络模型，以解决网络模型大、推理速度慢的问题，大幅减少了模型计算量，初步实现轻量化；然后通过在网络中添加空间金字塔池化模块与更小感受野的检测层，增强网络输出特征图的表征能力，解决数据集中行人目标尺度大小不均衡的问题，提高模型的红外行人检测精度；最后应用通道剪枝对模型进行剪枝，减少特征图的通道数，获得最终网络模型YOLO-Person。通过Jetson Nano移动开发平台，在夜间红外图像行人数据集上验证YOLO-Person轻量化模型，结果表明：与YOLOv3网络模型相比，提出的YOLO-Person网络模型更适于移动端的夜间红外行人检测，平均检测精度达到了92.2%，检测速度由26 frame/s提高到了69 frame/s，模型大小也由246 MB减少到了11.7 MB。
成像系统、夜间红外行人检测、多尺度融合、MobileNetV3网络、模型剪枝、imaging systems、infrared pedestrian detection at night、multi-scale fusion、MobileNetV3 network、model pruning
49
TP391.41;TN911.73;TP751
2022-10-17（万方平台首次上网日期，不代表论文的发表时间）
共1页
1709002
