摘要
近年来,卷积神经网络已在人脸识别、无人驾驶等领域取得重大突破.随着智能移动设备的普及,高精度的大型网络往往伴随着参数量多、计算量大等问题,无法部署在这些资源有限的移动设备平台上.GhostNet通过简单的线性操作生成更多特征映射,可大幅减少计算成本.为此,提出了一种改进轻量化YOLOv4 的GhostNet-YOLOv4 网络模型,该模型将YOLOv4 的主干网络替换为GhostNet残差结构,借助即插即用的Ghost模块升级卷积神经网络,并使用Mosaic数据增强技术对数据集进行预处理,融合ECA机制,加入Focal Loss焦点损失函数,在保证一定精度的前提下大幅减少了模型的参数量和计算量.相对于改进前的GhostNet-YOLOv4 模型,改进后的GhostNet-YOLOv4 在PASCAL VOC 2007 数据集上的mAP(mean Average Precision)提高1.65 百分点,达到85.09%,且模型参数量只有11.429 M,相对于原YOLOv4 模型减少了约80%,具有更好的综合性能.
基金项目
教育部重点实验室开放基金(NS202118901)
国家科技期刊平台
NSTL
维普
万方数据