摘要
提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测.YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力.YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框.利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(mAP)为97.21％,与YOLOv3-Tiny相比,检测速度提升了57.81％,mAP提升了1.84％,并降低了小目标漏检率,能够满足使用要求.
基金项目
国家自然科学基金(51975058)
北京市教委促进高校内涵发展项目(5112011015)
国家科技期刊平台
NSTL
万方数据