基于敏感度的YOLO网络集成剪枝算法

深层卷积神经网络所需的计算量和存储空间严重制约了其在资源有限平台上的应用与部署。针对基于单一参数重要性评价或者特征重建的剪枝算法泛化能力较差的问题,提出基于敏感度的集成剪枝算法,利用BN层的缩放因子稀疏YOLO网络中卷积核个数较多的冗余层,结合3种参数重要性评价方法对卷积核做重要性排序,并根据敏感度确定每一层的剪枝比率。实验结果表明,该剪枝算法对于YOLOv3和YOLOv3-tiny网络分别缩减80.5%和92.6%的参数量,并且相比基于网络轻量化方法的剪枝算法提升了网络模型压缩后的检测精度和泛化能力。     

DS-YOLOv4-tiny救援机器人目标检测模型

针对救援机器人对救援目标检测实时性和准确度要求比较高的问题,提出一种改进的YOLOv4-tiny救援机器人目标检测模型DS-YOLOv4-tiny.改进YOLOv4-tiny的网络结构,将骨干网络中的CSP改为DenseNet模块以增强特征复用,同时大量减少了网络参数量,使训练后的权重文件更小;针对YOLOv4-tin...     

基于改进YOLOv4-tiny的输电线路目标识别算法

对输电线路周围的典型目标进行检测对于防止输电线路外部破坏有着重要意义。传统目标检测方法没有针对输电线路周围目标尺度变化大、小目标多等进行有效设计,存在识别速度慢、容易误报漏报等问题。基于YOLOv4-tiny目标检测模型的基本框架,提出了一种改进的YOLOv4-tiny目标检测模型来检测输电线路周围的典型目标。在原先YOLOv4-tiny网络的骨干网上额外引出了一层特征层以提取更多的特征;在原特征金字塔网络结构的基础上引入空洞空间卷积池化金字塔模块,使得模型能在3种不同尺度的特征图上提取更多的特征;同时为解决检测过程中正负样本数量不均衡问题,使用Focal损失函数代替二分交叉熵损失函数。实验结果表明,在牺牲较少检测速度的情形下,模型精度提升了9.92%。     

基于YOLOv3-tiny的视频监控目标检测算法

目标检测算法在视频监控领域有着较大的实用价值。针对当前在资源受限的视频监控系统中实现实时目标检测较为困难的情况,提出了一种基于YOLOv3-tiny改进的目标检测算法。该算法在YOLOv3-tiny架构的基础之上,通过添加特征重用来优化骨干网络结构,并提出全连接注意力混合模块来学习到更丰富的空间信息,更适合资源约束条件下的目标检测。实验数据表明,该算法相比于YOLOv3-tiny在模型体积降低39.2%,参数量降低39.8%,且在VOC数据集上提高了2.7%的mAP,在提高检测精度的同时显著降低了模型资源占用。     

一种改进YOLOv4的交通标志识别算法

针对现存交通标志识别模型参数量过大、检测速度慢和检测精度较低的问题,本文提出一种改进YOLOv4-tiny的交通标志识别算法.该算法将深度可分离卷积应用到YOLOv4-tiny的特征提取网络中,显著降低了主干网络的参数量和计算量.在特征融合阶段,将特征提取网络得到的不同层次特征图输入双向特征金字塔网络结构(BiFPN)中进行多尺度特征融合.最后,在损失函数设计过程中,使用Focal损失函数代替二分交叉熵损失函数,使检测过程中的正负样本数量不均衡问题得以解决.在TT100K数据集上的测试结果表明,该算法的平均精度均值达到87.5%,相比于YOLOv4-tiny提升了3.9%,模型大小为14MB,仅为YOLOv4-tiny的58%.该算法一定程度上减少了计算量和模型大小,并带来了检测速度和精度的提升.     

改进YOLOv4-tiny的疫情协同口罩佩戴检测方法

口罩的佩戴对于疫情防控起着极其重要的作用，针对大规模人群下口罩佩戴检测实时性欠佳、难以部署的问题，提出了一种改进YOLOv4-tiny的疫情协同口罩佩戴检测方法。该算法以YOLOv4-tiny为基础，用两个Resblock-D模块替代CSP模块，降低特征提取网络复杂度，提升检测速度；引入SPP，增加了网络的感受野，使网络满足任意尺寸的影像输入，并增强算法的鲁棒性；引入两层CA注意力机制，提高算法的利用率以保证检测精确度。通过实验检测结果表明，相较于原始YOLOv4-tiny，所提网络mAP提升了0.5个百分点，达到94.0%，检测速度提升了3.96 FPS。在保证检测速度有少量提升的基础上有效提高了检测速度，综合性能得到提升。     

基于改进YOLOv3的教室内人物识别

针对教室内人物目标的识别场景,研究了 目标检测算法YOLOv3的改进及测试.通过分析教室内人物目标识别的特点和YOLOv3网络特征提取架构,运用K-means++算法对anchor box进行宽高聚类,增大特征输出层anchor box数量,增加YOLOv3网络架构中104×104尺寸的特征输出层,得到改进后的YOLO...     

一种基于通道重排的轻量级目标检测网络

Tiny YOLO和YOLOv3-tiny作为2种轻量级目标检测算法以其突出的速度表现而闻名。本文以这2种网络模型为基础,结合分组卷积并改进通道重排算法,改进了原来的损失函数,构建了一种新的更快的网络模型,通过改进YOLOv3的损失函数而增加其检测准确度。在PASCAL VOC数据集和COCO数据集上分别训练并且测试,该网络模型每秒处理的速度超过265张图片,Map值达到55.8%,准确度超过Tiny YOLO且与YOLOv3-tiny相仿。     

基于改进YOLOv4-tiny的无人机视觉目标检测

针对无人机(Unmanned Aerial Vehicle,UAV)图像背景复杂、检测目标尺度小以及计算资源受限的特点,提出了一种基于改进YOLOv4-tiny的无人机视觉目标检测方法。基于YOLOv4-tiny改进主干网络,减少主干网络的下采样倍数,在保证检测速度的情况下,提升小目标检测精度。在VisDrone数据集上的实验表明,改进算法较原算法平均精度提高5.7%,且具有与原模型同样的规模。     

基于ZYNQ平台的YOLOv3压缩和加速

高精度物体检测网络急剧增加的参数和计算量使得它们很难在车辆和无人机等端侧设备上直接部署使用。针对这一问题,从网络压缩和计算加速两方面入手,提出了一种面向残差网络的新型压缩方案来实现YOLOv3的压缩,并通过ZYNQ平台对这一压缩后的网络进行加速。首先,提出了包括网络裁剪和网络量化两方面的网络压缩算法。网络裁剪方面,给出了针对残差结构的裁剪策略来将网络剪枝分为通道剪枝和残差链剪枝两个粒度,解决了通道剪枝无法应对残差连接的局限性,进一步降低了模型的参数量;网络量化方面,实现了一种基于相对熵的模拟量化方法,以通道为单位对参数进行量化,在线统计模型的参数分布与参数量化造成的信息损失,从而辅助选择最优量化策略来减少量化过程的精度损失。然后,在ZYNQ平台上设计并改进了8比特的卷积加速模块,从而优化了片上缓存结构并结合Winograd算法实现了压缩后YOLOv3的加速。实验结果表明,所提压缩算法较YOLOv3 tiny能够进一步降低模型尺寸,但检测精度提升了7个百分点;同时ZYNQ平台上的硬件加速方法获得了比其他平台更高的能耗比,从而推进了YOLOv3以及其他残差网络在ZYNQ端侧的实际部署。     

融合改进通道和层剪枝的口罩人脸检测

针对实际场景中目标检测算法部署算力缺乏和资源不足的问题,提出了一种基于改进通道和层剪枝的模型剪枝方法,通过设置自适应局部安全阈值以改进通道剪枝,同时通过综合评价整个残差结构值的方法进行层剪枝,并将模型剪枝方法用于口罩人脸检测.首先采用基于人脸的数据扩增方法构建口罩人脸检测数据集并使用该数据集训练YOLOv4目标检测网络...     

基于三尺度嵌套残差结构的交通标志快速检测算法

智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先,在基础网络上采用逐像素相加的跨层连接,并未增加特征图的通道数,同时网络中形成1个小残差结构.其次,通过同样的跨层连接方式,增加了1层空间分辨率更高的预测输出,使得该尺度输出包含更丰富的空间信息,进而构成大残差结构.最终,将2个残差结构进行嵌套,形成了1个三尺度预测的嵌套残差网络模型,使得Tiny检测算法的部分主网络位于这2个残差结构中,起到3次调参的作用.实验结果表明：提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F\\-1值为91.77%、检测时间为5ms;在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F\\-1值分别为92.41%,93.91%,92.03%,检测时间为5ms.     

改进YOLOv4-tiny网络的狭小空间目标检测方法

针对狭小空间中目标相互遮挡导致轻型检测网络存在大量漏检、分类错误等问题,基于YOLOv4-tiny提出一种自适应非极大抑制（adaptive non-maximum suppression,A-NMS）的多尺度检测方法。在骨干网络引入大尺度特征图优化策略和金字塔池化模型,增强遮挡目标显著区域特征;设计内嵌空间注意力的双路金字塔特征融合网络,提升浅层细节特征与高级语义信息的融合能力;提出区域目标密度与边界框中心距离因子相关联的动态NMS阈值设定方法,并在后处理阶段代替传统IoU-NMS算法,进一步减少漏检。实验结果表明,与YOLOv4-tiny算法相比,改进算法在公开数据集PASCAL VOC07+12和自制数据集上mAP值分别提高2.84个百分点和3.06个百分点,FPS保持在87.9,对遮挡目标的检测能力显著提升,满足移动端对狭小复杂场景实时检测的需求。     

面向无人机航拍场景的轻量化目标检测

针对无人机航拍场景下的实时目标检测任务,以YOLOv5为基础进行改进,给出了一种轻量化的目标检测网络YOLOv5-tiny.通过将原CSPDarknet53骨干网络替换为MobileNetv3,减小了网络模型的参数量,有效提高了检测速度,并进一步通过引入CBAM注意力模块和SiLU激活函数,改善了因网络简化后导致的检测精度下降问题.结合航拍任务数据集VisDrone的特性,优化了先验框尺寸,使用了Mosaic,高斯模糊等数据增强方法,进一步提高了检测效果.与YOLOv5-large网络相比,以降低17.4%的mAP为代价,换取148%的检测效率(FPS)提升,且与YOLOv5s相比,在检测效果略优的情况下,网络规模仅为其60%.     

面向火焰快速检测的轻量化深度网络研究

在易燃易爆场合火灾控制中火焰极速检测意义重大,其对算法实时性、准确度、抗干扰性有较高要求。为此提出一种基于改进YOLOv4-tiny轻量化抗干扰火焰检测深度网络。引入类火目标图像与真实火焰图像并通过Mosaic数据增强方式建立鲁棒性火焰检测数据集;对YOLOv4-tiny骨干网络采用深度可分离卷积进行改进,使得原网络更加轻量化;在特征金字塔网络FPN(feature pyramid network)中融合多尺度特征提高网络对多层特征的学习表示能力,并引出多检测头以适应火焰爆发过程中不同尺度火焰的精准检测;在FPN中引入ECA(efficient channel attention)通道注意力机制进一步提高检测精度。实验结果表明,提出的YOLOv4-tiny-L4参数量仅为4.22 MB,准确率高达94.1%,执行时间仅为46 ms,满足火焰快速检测基本要求。     

基于改进YOLOv4算法的轻量化网络设计与实现

在嵌入式设备上进行目标检测时易受能耗和功耗等限制,使得传统目标检测算法效果不佳。为此,对YOLOv4算法进行优化,设计YOLOv4-Mini网络结构,将其特征提取网络由CSPDarkNet53改为MobileNetv3-large并进行INT8量化处理,其中网络结构利用PW和DW卷积操作代替传统卷积操作以大幅减少计算量。采用SE模块为通道施加注意力机制,激活函数层运用h-swish非线性激活函数,在保证精度的情况下降低网络计算量。同时,通过量化感知训练将权重转为INT8类型,以实现模型轻量化,进一步降低网络参数量和计算量,从而在嵌入式设备上完成无人机数据集的目标检测任务。在NVIDIA Jetson Xavier NX设备上进行测试,结果显示,YOLOv4-MobileNetv3网络的mAP为34.3%,FPS为30,YOLOv4-Mini网络的mAP为32.5%,FPS为73,表明YOLOv4-Mini网络能够在低功耗、低能耗的嵌入式设备上完成目标实时检测任务。     

Real-time detector design for small targets based on bi-channel feature fusion mechanism

Applied Intelligence - YOLOv4-tiny is a simplified version of YOLOv4 detector, which is extremely fast and with few parameters. However, the detection performance of YOLOv4-tiny is poor while the...     

基于“嵩山”超级计算机系统的大规模管网仿真

供水管网仿真广泛应用于城市供水输配调度,是城市供水管网监测与维护的重要技术手段。由于在面向城市级的大规模管网中产生了海量的计算数据,因此在一般计算平台上无法满足管网仿真计算的算力需求。为提升城市级供水管网仿真的计算效率,提出一种有效的并行化方案。基于“嵩山”超级计算机系统采用中央处理器+数据缓存单元（CPU+DCU）架构,利用其在密集数据计算方面的优势,对“嵩山”超级计算机进行供水管网仿真。参照可移植性异构计算接口（HIP）异构编程模型,在“嵩山”超级计算机上实现供水管网仿真的异构计算,并结合管道数据分割方案,使用消息传递接口开启多进程以实现DCU加速数据通信传递。通过重定义数据类型解决计算过程中结构体传输问题,实现单节点内多DCU的大规模密集计算。在不同计算平台和多种计算策略仿真上的对比结果表明,与传统x86平台相比,该优化方案在小规模数据与大规模数据上的加速比分别达到5.269、10.760,与采用计算统一设备架构异构编程模型的传统GPU异构平台相比,计算性能有明显提高。