10.19665/j.issn1001-2400.2022.05.016
一种改进CenterNet的轻量化目标检测算法
CenterNet算法结构复杂,导致其参数量大、计算复杂度高和检测速度较慢.针对这一问题,提出了一种CenterNet-encoder算法.该算法使用深度为104层的沙漏网络作为backbone,并将其中的残差模块替换为fire模块来减少算法的参数量,提高算法的计算速度;另外,在 backbone和head之间加入了编码层,在不损失分辨率的同时增大了感受野,减少了内存的占用,让输出囊括更多尺度的信息;最后,使用均方误差损失进行边界框的回归,加快算法的收敛,进一步提升了算法的检测精度.CenterNet-encoder算法最终在MS-COCO test-dev数据集上的平均检测精度为40.5%,参数量为47×106.在AMD5900X/32GB/RTX3090环境配置下,检测速度达到了18帧/s.实验结果表明,CenterNet-encoder算法虽然牺牲了一定的精度,但参数量比原算法下降了约77.6%,同时检测速度提升了约69.3%.与其他轻量化目标检测算法相比,在参数量、推理时间和检测精度上也有一定的优势.
fire模块、轻量化、编码层、目标检测
49
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;陕西省重点研发计划
2022-11-24(万方平台首次上网日期,不代表论文的发表时间)
共8页
137-144