融合 ECA 机制的轻量化 YOLOv4 检测模型

来源：计算机技术与发展杂志2023年第07期北京时间：

作者：刘雅楠;李维乾

单位：西安工程大学 计算机科学学院,陕西 西安 710048 Author(s): LIU Ya-nan;LI Wei-qian School of Computer Science,Xi’an Polytechnic University,Xi’ an 710048,China 关键词: 目标检测;YOLOv4;GhostNet;轻量化神经网络;注意力机制 Keywords: object detection;YOLOv4;GhostNet;lightweight neural network;attention mechanism 分类号: TP391. 4 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 07. 022 摘要: 　　近年来,卷积神经网络已在人脸识别、无人驾驶等领域取得重大突破。 随着智能移动设备的普及,高精度的大型网络往往伴随着参数量多、计算量大等问题,无法部署在这些资源有限的移动设备平台上。 GhostNet 通过简单的线性操作生成更多特征映射,可大幅减少计算成本。 为此,提出了一种改进轻量化 YOLOv4 的 GhostNet-YOLOv4 网络模型,该模型将 YOLOv4 的主干网络替换为 GhostNet 残差结构,借助即插即用的 Ghost 模块升级卷积神经网络,并使用 Mosaic 数据增强技术对数据集进行预处理,融合 ECA 机制,加入 Focal Loss 焦点损失函数,在保证一定精度的前提下大幅减少了模型的参数量和计算量。 相对于改进前的 GhostNet-YOLOv4 模型,改进后的 GhostNet-YOLOv4 在 PASCAL VOC 2007 数据集上的mAP ( mean Average Precision) 提高 1. 65 百分点,达到 85. 09% ,且模型参数量只有 11. 429 M,相对于原 YOLOv4 模型减少了约 80% ,具有更好的综合性能。

摘要：近年来,卷积神经网络已在人脸识别、无人驾驶等领域取得重大突破。 随着智能移动设备的普及,高精度的大型网络往往伴随着参数量多、计算量大等问题,无法部署在这些资源有限的移动设备平台上。 GhostNet 通过简单的线性操作生成更多特征映射,可大幅减少计算成本。 为此,提出了一种改进轻量化 YOLOv4 的 GhostNet-YOLOv4 网络模型,该模型将 YOLOv4 的主干网络替换为 GhostNet 残差结构,借助即插即用的 Ghost 模块升级卷积神经网络,并使用 Mosaic 数据增强技术对数据集进行预处理,融合 ECA 机制,加入 Focal Loss 焦点损失函数,在保证一定精度的前提下大幅减少了模型的参数量和计算量。 相对于改进前的 GhostNet-YOLOv4 模型,改进后的 GhostNet-YOLOv4 在 PASCAL VOC 2007 数据集上的mAP ( mean Average Precision) 提高 1. 65 百分点,达到 85. 09% ,且模型参数量只有 11. 429 M,相对于原 YOLOv4 模型减少了约 80% ,具有更好的综合性能。

关键词：目标检测;YOLOv4;GhostNet;轻量化神经网络;注意力机制