科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有的目标检测网络参数量多、计算复杂度高，导致推理时间长，需要较高的硬件配置，而大多数轻量级的检测算法，在精度上无法满足实际的工作需求。针对这一问题，提出一种基于改进的YOLOX的安全帽佩戴检测算法。首先，在YOLOX网络的基础上，采用轻量级的GhostNet替换CSPDarknet作为主干特征提取网络，减少模型参数，提升网络的推理速度；然后，扩展特征融合网络的特征层输入尺度，增加160×160的有效特征层，在原2倍上采样的基础上增加4倍上采样的间隔融合结构，充分利用不同尺度的特征信息，加强网络对低维信息的感知，提高网络对小目标的检测能力；最后，使用深度可分离卷积代替常规卷积，进一步压缩模型参数。实验结果表明：改进后的算法在保证检测精度的情况下，将YOLOX的模型大小压缩了80%,参数量降低了81%;相较于轻量级网络YOLOX-tiny,平均准确率均值(mAP)提高了10.8%,且检测速度基本持平，更适合在实际的工程环境中部署。
- 出版日期2023
- 单位电子工程学院; 上海应用技术大学
