典型文献
基于YOLOv4-GS检测算法的服装识别方法
文献摘要：
针对服装检测中检测模型体积大、运算量高,难以适应后续嵌入式平台环境的需要,本文提出了一种高效的YOLOv4-GS算法,极大降低了检测模型的规模.首先对数据集使用K-means聚类方法获得初始候选框,再融合Ghost模块和SimAM注意力机制组成GS模块,然后利用GS模块重构YOLOv4网络得到更轻量、更高效的YOLOv4-GS模型.实验结果表明:对比原生YOLOv4网络,在DeepFashion2数据集和相同环境下,YOLOv4-GS模型骨干网络浮点运算量减少48.33％,参数量减少49.63％,模型大小降低了33.12％,mAP达到67.8％,提升了2.1％.
文献关键词：
服装检测;YOLOv4-GS;GhostNet;K-means;SimAM;DeepFashion2
中图分类号：
作者姓名：
田魏伟;邱卫根;张立臣
作者机构：
广东工业大学计算机学院,广州 510006
文献出处：
引用格式：
[1]田魏伟;邱卫根;张立臣-.基于YOLOv4-GS检测算法的服装识别方法)[J].现代计算机,2022(11):10-17
A类：
B类：
YOLOv4,GS,检测算法,服装检测,检测模型,运算量,嵌入式平台,平台环境,means,聚类方法,候选框,再融合,SimAM,注意力机制,更轻,DeepFashion2,骨干网络,浮点运算,参数量,mAP,GhostNet
AB值：
0.382912
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
