基于分组异构卷积的轻量级目标检测网络

作者：晏晓天; 黄山^*

来源：计算机科学, 2020, 47(04): 108-111.

• 目标检测
• 轻量级
• 分组异构卷积
• FGHDet
• KITTI

目前的目标检测模型存在参数量多、模型体积大及检测速度慢的缺点,不能在实时场景下应用。例如,对于自动驾驶技术,不仅需要精准的检测来保障安全,还需要实现快速检测以保证车辆的实时决策。针对以上问题,提出了一种端对端的轻量级目标检测网络FGHDet。首先,针对异构卷积HetConv逐通道卷积效率低的问题,对特征图进行分组,提出了分组异构卷积GHConv(Grouping Heterogeneous Convolution);其次,将GHConv和Fire Module组合,构建了基础模块FGH Module;最后,以FGH Mdolue为基础,搭建了端对端的轻量级目标检测网络FGHDet。FGHDet主要通过两种方法来减少参数量:1)使用1×1的卷积对特征图进行降维,减少3×3滤波器的输入通道数量;2)使用GHConv替换传统的卷积核。以KITTI数据集为实验数据,在深度学习框架Keras上完成了模型的训练和评估。实验结果表明,FGHDet在KITTI数据集上的mAP可以达到74.4%,高于Faster R-CNN的70.8%;模型检测速度为28.7 FPS,优于对比模型中最快的SqueezeDet;而且该模型的大小仅为2.6 MB,是Faster R-CNN模型体积的1/200。

• 单位
  四川大学