基于改进SSD的轻量化小目标检测算法
文献类型：期刊论文
| 作者 | 吴天舒1,2; 陈红叶2; 裴文慧2; 刘云鹏1; 张志佳2; 刘金国 ; 刘云军
|
| 刊名 | 红外与激光工程
 |
| 出版日期 | 2018 |
| 卷号 | 47期号:7页码:47-53 |
| 关键词 | 目标检测 转置卷积 深度可分离卷积 嵌入式 PASCAL VOC数据集 KITTI数据集 |
| ISSN号 | 1007-2276 |
| 其他题名 | A lightweight small object detection algorithm based on improved SSD |
| 产权排序 | 1 |
| 通讯作者 | 张志佳 |
| 中文摘要 | 为提高SSD目标检测算法的小目标检测能力,提出在SSD算法中引入转置卷积结构,采用转置卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加低层特征提取能力,提高SSD算法的平均精准度。同时针对SSD算法存在模型过大,运行内存占用量过高,无法在嵌入式ARM设备上运行的问题,以DenseNet为基础,结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元,将SSD算法特征提取部分替换为轻量化特征提取最小单元的组合后,可在嵌入式ARM设备上运行。在PASCAL VOC数据集和KITTI自动驾驶数据集上进行对比实验,结果表明改进后的网络结构在平均精准度上得到明显提升,模型参数数量得到有效降低。 |
| 英文摘要 | In order to improve the small object detection ability of SSD object detection algorithm, the transposed convolution structure in SSD algorithm was proposed, the low resolution high semantic information feature map was integrated with high resolution low semantic information feature map using transposed convolution, which increased the ability of low level feature extraction and improved the average accuracy of SSD algorithm. At the same time for the problem that SSD algorithm model being large, running memory consumption high, without running on the embedded equipment ARM, a lightweight feature extraction minimum unit was proposed based on DenseNet, combining depthwise separable convolutions, pointwise group convolution and channel shuffle, running on the embedded equipment ARM cloud be realized. The comparative experiments on PASCAL VOC data set and KITTI autopilot data set show that the mean average is significantly improved by improved network structure, and the number of model parameters is effectively reduced. |
| 语种 | 中文 |
| 源URL | [http://ir.sia.cn/handle/173321/22379]  |
| 专题 | 沈阳自动化研究所_空间自动化技术研究室 |
| 作者单位 | 1.中国科学院沈阳自动化研究所 2.沈阳工业大学软件学院 |
| 推荐引用方式 GB/T 7714 | 吴天舒,陈红叶,裴文慧,等. 基于改进SSD的轻量化小目标检测算法[J]. 红外与激光工程,2018,47(7):47-53. |
| APA | 吴天舒.,陈红叶.,裴文慧.,刘云鹏.,张志佳.,...&刘云军.(2018).基于改进SSD的轻量化小目标检测算法.红外与激光工程,47(7),47-53. |
| MLA | 吴天舒,et al."基于改进SSD的轻量化小目标检测算法".红外与激光工程 47.7(2018):47-53. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。