科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于卷积神经网络的目标检测在智能交通领域有着重要的应用，但存在复杂网络模型计算速度慢、简单网络模型精准度低两种问题。针对此问题，本文提出了基于Lite-YOLOv3的行人与车辆检测方法，该方法基于Tiny-YOLOv3网络模型进行改进。首先，本文采用卷积代替下采样方案解决Tiny-YOLOv3网络特征提取损失问题。然后其骨干层采用改进的瓶颈块（BottleneckBlock）对前一层网络特征图进行降维、连接输入输出特征图，使得网络参数量大幅下降、防止网络退化。其预测层采用改进后的深度可分离卷积块（Depthwise Separable Convolution），分离深度卷积和点卷积可以有效降低网络运算成本，加快网络运算速度。Lite-YOLOv3相较于Tiny-YOLOv3网络的运算速度提升了27.27%，mAP提高了9.07%。
- 单位
