典型文献
多尺度特征融合轻量化夜间红外行人实时检测
文献摘要：
针对辅助驾驶中夜间小目标红外行人检测精度低、网络模型占用内存空间大、检测速度难以满足实时检测要求等问题,提出了一种轻量化的夜间红外图像行人检测神经网络YOLO-Person.首先提出一种以MobileNetV3轻量化网络为骨干网络,以多尺度融合目标检测层为预测模块的网络模型,以解决网络模型大、推理速度慢的问题,大幅减少了模型计算量,初步实现轻量化;然后通过在网络中添加空间金字塔池化模块与更小感受野的检测层,增强网络输出特征图的表征能力,解决数据集中行人目标尺度大小不均衡的问题,提高模型的红外行人检测精度;最后应用通道剪枝对模型进行剪枝,减少特征图的通道数,获得最终网络模型YOLO-Person.通过Jetson Nano移动开发平台,在夜间红外图像行人数据集上验证YOLO-Person轻量化模型,结果表明:与YOLOv3网络模型相比,提出的YOLO-Person网络模型更适于移动端的夜间红外行人检测,平均检测精度达到了 92.2％,检测速度由26 frame/s提高到了 69 frame/s,模型大小也由246 MB减少到了 11.7 MB.
文献关键词：
成像系统;夜间红外行人检测;多尺度融合;MobileNetV3网络;模型剪枝
中图分类号：
作者姓名：
何自芬;陈光晨;陈俊松;张印辉
作者机构：
昆明理工大学机电工程学院,云南昆明650500
文献出处：
引用格式：
[1]何自芬;陈光晨;陈俊松;张印辉-.多尺度特征融合轻量化夜间红外行人实时检测)[J].中国激光,2022(17):115-124
A类：
夜间红外行人检测
B类：
多尺度特征融合,实时检测,辅助驾驶,小目标,检测精度,内存空间,检测速度,检测要求,红外图像,Person,MobileNetV3,轻量化网络,骨干网络,多尺度融合,目标检测,检测层,推理速度,速度慢,计算量,空间金字塔池化,金字塔池化模块,感受野,特征图,表征能力,中行,标尺,通道剪枝,通道数,Jetson,Nano,移动开发,开发平台,轻量化模型,YOLOv3,适于,移动端,frame,MB,成像系统,模型剪枝
AB值：
0.288768
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。
