1 三峡大学,湖北省建筑质量检测装备工程技术研究中心
2 三峡大学,计算机与信息学院, 湖北 宜昌 443000
精准的舰船目标检测技术能够提升**装备的全方位感知能力。针对复杂环境下SAR舰船目标检测虚警、漏警问题严重, 提出一种基于YOLOv5的轻量化SAR图像舰船目标检测算法3S-YOLO。3S-YOLO首先对网络结构进行重构, 调节感受野与多尺度融合关系, 实现特征提取网络和特征融合网络轻量化处理; 然后, 对网络进行剪枝, 通过基于几何中值的剪枝算法对网络进行压缩, 加快推理速度; 最后, 使用可变焦损失函数对网络进行训练, 使感知分类系数回归。结果表明, 算法经过优化后, 精度最高可提高至99.1%; 经过剪枝后, 模型体积大幅下降, 可压缩至190 kiB, 下降98.6%; 算法推理速度提升4倍, 推理时间缩短至3 ms以下。相较于当前主流算法, 3S-YOLO在各方面均取得了不错的成绩, 满足SAR图像实时舰船目标检测。
目标检测 模型剪枝 可变焦损失函数 target detection SAR SAR model pruning YOLOv5 YOLOv5 FPGM FPGM Varifocal Loss
针对红外图像颜色、纹理等信息不够丰富，导致检测精度相较于可见光图像低；夜间红外行人目标检测模型参数量大、依赖高性能GPU资源，导致检测速度慢等问题，提出一种融合行人目标精细尺度嵌入的多检测层、轻量化实时检测模型。首先为了获取更精确的红外行人位置特征，在原始Yolov4-tiny结构上设计了64×64精细尺度检测层并增加残差结构加深主干网络，以融合红外行人的位置特征；其次针对红外行人目标宽高比相对固定的特点，应用K-means++聚类分析出适用于红外行人检测的先验框预置参数；最后为了减少模型参数，通过通批量归一化层道剪枝实现模型轻量化，同时利用知识蒸馏算法完成TIPRD的微量调控。实验结果表明，轻量化红外行人实时检测模型检测速度达到了88.7 帧/s，平均检测精度达到89.2%，模型大小为4 MB，相较于Yolov4-tiny平均检测精度提升了8.6%，模型大小缩小了19.5 MB，相较于Yolov4缩小了264 MB。在Jetson Nano移动开发平台部署该模型验证了实际工程应用的有效性，对开发汽车辅助驾驶系统以降低夜间交通事故发生率具有重要意义。
红外检测 深度学习 多检测层 模型剪枝 知识蒸馏 Infrared detection Deep learning Multiple detection layers Model pruning Knowledge distillation
昆明理工大学机电工程学院，云南 昆明 650500
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 中国激光
2022, 49(17): 1709002
上海电力大学电子与信息工程学院, 上海 201000
针对在遥感飞机目标检测场景中轻量级算法难以兼顾准确性与实时性的问题, 提出了一种基于YOLOv4结构化剪枝的模型压缩方法。为了使锚框参数更加符合遥感数据集并发挥网络多尺度检测的优势, 采用K-means++算法对数据集进行锚框聚类分析, 并设计尺度自适应调整, 抑制小目标过多以及目标大小接近造成的锚框冗余。此外, 为了减少模型参数量, 利用归一化层中的缩放因子γ进行L1稀疏正则化, 重新评估滤波器及卷积核权重, 对特征信息较少的通道进行迭代剪枝, 然后微调剪枝模型恢复精度。实验结果表明, 剪枝后模型参数量压缩了93.1%, 检测速度比原模型提升2.46倍, 能够在保证检测准确性的同时有效提升检测实时性。
遥感检测 飞机 锚框聚类 模型剪枝 remote sensing detection aircraft anchor frame clustering model pruning
1 空军工程大学航空工程学院，陕西 西安 710038
2 西北工业大学电子信息学院，陕西 西安 710129
3 中国人民解放军95696部队，重庆 405200
为了提高面向遥感图像目标检测的YOLOv3-CS算法的检测速度，提出了一种基于Batcg Normalization（BN）层γ参数的自适应稀疏因子调整算法。以γ作为通道的重要性判断依据对YOLOv3-CS进行剪枝，得到YOLOv3-CSP目标检测模型。实验结果表明，所提剪枝方法在mean Average Precision（mAP）损失仅为0.22%的情况下，使YOLOv3-CS的模型大小压缩了95.92%，检测速度提高了173%。所提YOLOv3-CSP可以应用于检测精度和实时性要求较高的场合。
图像处理 YOLOv3 稀疏训练 模型剪枝 激光与光电子学进展
2022, 59(16): 1610008
湖南科技大学 机械设备健康维护湖南省重点实验室, 湖南 湘潭 411201
针对智能手机玻璃盖板缺陷检测方法存在检测柔性差、良率低、检测时间长等问题, 提出一种改进YOLOv3的智能手机玻璃盖板缺陷检测方法。在特征提取网络方面增加通道注意力机制以解决缺陷特征不明显的问题, 在特征检测网络方面增加了104×104维度大小的特征图以解决缺陷多尺度的问题, 最后对模型进行剪枝减少模型参数, 提高缺陷检测速度。从智能手机玻璃盖板生产现场获得涵盖崩边、坑点、脏污和划痕等4类缺陷的图片构建缺陷数据集, 对本文提出的方法和Faster R-CNN、YOLOv3、YOLOv4等算法进行对比实验和分析。实验结果表明, 本文提出方法的检测平均精度均值（mean Average Precision, mAP)为81.0%, 检测速度为43.1 fps。相比原始YOLOv3算法, 检测mAP提升了3%, 检测速度增加了6.7 fps, 相比于其他深度学习算法, 检测速度和检测精度均有所提升。所提方法满足智能手机玻璃盖板工业生产现场缺陷高精度、高效检测的需要。
智能手机玻璃盖板 缺陷检测 通道注意力机制 模型剪枝 smartphone cover screen defect detection YOLOv3 YOLOv3 channel attention mechanism model pruning
1 中国矿业大学信息与控制工程学院，江苏 徐州 221000
2 中国矿业大学计算机科学与技术学院，江苏 徐州 221000
为了解决传统算法在全自动跟踪过程中遇到遮挡或运动速度过快时的目标丢失问题，本文提出一种基于YOLOv3和ASMS的目标跟踪算法。首先通过YOLOv3算法进行目标检测并确定跟踪的初始目标区域，然后基于ASMS算法进行跟踪，实时检测并判断目标跟踪效果，通过二次拟合定位和YOLOv3算法实现跟踪目标丢失后的重新定位。为了进一步提升算法运行效率，本文应用增量剪枝方法，对算法模型进行了压缩。通过与当前主流算法进行对比，实验结果表明，本算法能够很好地解决受到遮挡时跟踪目标的丢失问题，提高了目标检测和跟踪的精度，且具有计算复杂度低、耗时少，实时性高的优点。
目标跟踪 目标丢失 模型剪枝 target tracking target loss YOLOv3 you look only once v3 model pruning ASMS robust scale-adaptive mean-shift
昆明理工大学信息工程与自动化学院, 云南 昆明 650500
准确并高效地识别青铜铭文在考古学、历史学、文字学等领域具有重要的意义。构建了公开的青铜铭文数据集,为后续研究提供了数据参考。同时在基于L1范数的卷积核剪枝基础上,提出了一种自动化模型剪枝策略,无需人为设置剪枝比例即可自动完成剪枝操作。实验结果表明,以LeNet网络为基础模型,剪枝后的参数量和FLOPS仅为原模型的30%和69%,准确率达到97.62%,所提方法适用于青铜铭文数据集。
图像处理 神经网络 青铜铭文数据集 模型剪枝 图像识别 激光与光电子学进展
2020, 57(16): 161025
1 西安工程大学电子信息学院, 陕西 西安 710048
2 西安工程大学协同创新中心, 陕西 西安 710048
为了满足工业上对织物缺陷检测的实时性要求,提出一种基于S-YOLOV3(Slimming You Only Look Once Version 3)模型的织物实时缺陷检测算法。首先使用K均值聚类算法确定目标先验框,以适应不同尺寸的缺陷;然后预训练YOLOV3模型得到权重参数,利用批归一化层中的缩放因子γ评估每个卷积核的权重,将权重值低于阈值的卷积核进行剪枝以得到S-YOLOV3模型,实现模型压缩和加速;最后对剪枝后的网络进行微调以提高模型检测的准确率。实验结果表明:对于不同复杂纹理的织物,所提模型都能准确检测,且平均精度均值达到94%,剪枝后检测速度提高到55 FPS,所得的准确率与实时性均满足工业上的实际需求。
图像处理 织物缺陷 S-YOLOV3 K均值 模型剪枝 缺陷检测 激光与光电子学进展
2020, 57(16): 161001
