融合ECA机制的轻量化YOLOv4检测模型

作者：刘雅楠; 李维乾^*

来源：计算机技术与发展, 2023, 33(07): 146-153.

• 目标检测
• YOLOv4
• GhostNet
• 轻量化神经网络
• 注意力机制

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。

• 单位
  西安工程大学