监控场景下基于轻量级卷积神经网络的行人属性识别

作者：黄仝宇; 胡斌杰

来源：电子测量技术, 2020, 43(14): 118-122.

DOI：10.19651/j.cnki.emt.2004196

• 深度学习
• 轻量级卷积神经网络
• 深度可分离卷积
• 倒置残差
• 行人属性识别

针对面向行人属性识别的传统卷积神经网络模型占用系统资源较多、运行效率较低等问题,通过采用若干个倒置残差模块来构建轻量级卷积神经网络MB-ResNet-Lite的主干网络,使用深度可分离卷积代替标准卷积,以减少模型的计算量;并通过倒置残差模块对特征的维度先扩增后缩减,实现更好地提取特征。为了解决多种行人属性识别的效率问题,所提方法是在共享主干网络之后,采用若干个分支网络进行各自特征的提取,以完成多种行人属性的分类与识别。最后,该算法在自建数据集、单核RK3399平台上进行比对实验。实验结果表明,所提算法MB-ResNet-Lite模型的大小为0.82 M,分别为ResNet-18和MobileNet的1.8%和6.3%,明显减小了模型的存储空间;在运行速度上,所提算法模型处理单张图片耗时为25 ms,分别为ResNet-18和MobileNet的18.4%和64.1%,较好地节省了图像处理时间;在内存使用方面,所提算法模型占用内存为21.56 MB,分别为ResNet-18和MobileNet的6.6%和60.0%,有效节省了系统的内存资源。在算法准确率方面,所提算法模型的平均准确率为89.24%,相比MobileNet提高了1.52%,相比ResNet-18略微下降0.86%。结果表明,所提方法有效地保证行人特征识别的精确度,减少模型的参数量和计算量,确保在低成本硬件平台的运行效率。

• 单位
  华南理工大学