MTYOLO: 面向嵌入式平台的轻量级目标检测网络机器视觉
近年来,深度学习的快速发展极大地推动了目标检测领域的研究,但神经网络模型对计算资源要求较高,难以在嵌入式平台应用。基于深度可分离卷积的思想,本文提出了一种适用于嵌入式平台的小型目标检测网络MTYOLO(MobileNet Tiny-Yolo),它将待检测的图片平均分割成 S×S个单元格,分割出的单元格检测中心点落在该单元格的物体目标。然后,采用深度可分离卷积代替传统卷积,减少了神经网络模型的参数存储量和运行该模型所需的计算量。此外,本文采用点卷积和特征图融合的方法提高检测精度。实验结果表明,本文提出的MTYOLO网络模型大小为41M,约为Tiny-Yolo模型的67%;在PASCAL VOC 2007数据集上的准确率可达到57.25%,效果优于Tiny-Yolo模型,更适合应用于嵌入式系统。
崔家华, 张云洲, 王争, 刘及惟. MTYOLO: 面向嵌入式平台的轻量级目标检测网络[J]. 光学学报, 2019, 39(04): 6.
DOI:10.3788/aos201939.04机器视觉06