1、第5 7卷 第1期2 0 2 3年1月西 安 交 通 大 学 学 报J OUR NA LO FX IANJ I AO T ON GUN I V E R S I T YV o l.5 7 N o.1J a n.2 0 2 3.*基于Y O L O v 5 s的轻量化朱鹮检测算法研究张凡1,2,张鹏超1,2,王磊1,2,曹锐虎1,2,王晓鹏1,2,黄俊霖1,2(陕西理工大学机械工程学院,7 2 3 0 0 0,陕西汉中;2.陕西省工业自动化重点实验室,7 2 3 0 0 0,陕西汉中)摘要:针对当 前 朱 鹮 检 测 算 法 模 型 参 数 较 多、计 算 量 大 的 问 题,本 文 设 计 研
2、究 了 一 种 基 于YO L O v 5 s的高性能轻量化网络模型。首先,结合E f f i c i e n t N e t网络中的MB C o n v B l o c k对原主干网络进行重构,大幅降低网络参数;同时在浅层网络中采用S t e m模块,提升浅层网络的特征提取能力;然后改进卷积注意力模块(C B AM),即将其中的通道注意力替换为高效通道注意力模块(E C A),避免了降维操作,有效提取了邻近通道间的信息,且大幅降低了通道注意力的参数数量,并将其嵌入特征融合网络路径聚合网络(P AN e t)中,达到了引入微小参数数量而有效提升网络性能的目的,并将其命名为高效卷积注意力模块(E
3、 C B AM)。最后,在自建朱鹮数据集和公共数据集P A S C A LVO C、C O C O上进行实验,实验结果表明,与YO L O v 5 s算法相比,本文算法模型参数数量降低了5 2.3 7%,计算次数降低了5 4.5 5%,在自建朱鹮数据集上PmA P0.5:0.9 5仅降低了约2个百分点,达到0.6 6 6,在公共数据集P A S C A LVO C上PmA P0.5达到0.7 9 2,在公共数据集C O-C O上PmA P0.5:0.9 5达到0.2 9 8,证明了本文算法可在大幅降低网络计算量的同时保持较高的目标检测性能。关键词:目标检测;YO L O v 5 s;轻量化;注
4、意力中图分类号:T P 3 9 1.4 1 文献标志码:D O I:1 0.7 6 5 2/x j t u x b 2 0 2 3 0 1 0 1 1 文章编号:0 2 5 3-9 8 7 X(2 0 2 3)0 1-0 1 1 0-1 2R e s e a r c ho nL i g h t w e i g h tC r e s t e dI b i sD e t e c t i o nA l g o r i t h mB a s e do nY O L O v 5 sZ HANGF a n1,2,Z HANGP e n g c h a o1,2,WANGL e i1,2,C AOR u i
5、 h u1,2,WANGX i a o p e n g1,2,HUANGJ u n l i n1,2(1.S c h o o l o fM e c h a n i c a lE n g i n e e r i n g,S h a a n x iU n i v e r s i t yo fT e c h n o l o g y,H a n z h o n g,S h a a n x i 7 2 3 0 0 0,C h i n a;2.S h a a n x iK e yL a b o r a t o r yo f I n d u s t r i a lA u t o m a t i o n,H
6、a n z h o n g,S h a a n x i 7 2 3 0 0 0,C h i n a)A b s t r a c t:A i m i n ga t t h ep r o b l e m so f e x c e s s i v ep a r a m e t e r sa n dh e a v yc a l c u l a t i o nw o r k l o a di nt h ec u r r e n tC r e s t e d I b i sd e t e c t i o na l g o r i t h mm o d e l,t h i sp a p e r s t u
7、d i e s a n dd e s i g n s ah i g h-p e r f o r m a n c el i g h t w e i g h tn e t w o r km o d e lb a s e do nYO L O v 5 s.F i r s t,t h eo r i g i n a lb a c k b o n en e t w o r ki sr e c o n-s t r u c t e db yr e f e r r i n gt oMB C o n v b l o c ki nt h eE f f i c i e n t N e tn e t w o r kt
8、og r e a t l yr e d u c e t h en e t w o r kp a r a m e t e r s;a t t h es a m et i m e,t h eS t e m m o d u l ei su s e di nt h es h a l l o wn e t w o r kt oi m p r o v et h ef e a t u r ee x t r a c t i o na b i l i t yo f t h es h a l l o wn e t w o r k;t h e n,t h ec o n v o l u t i o n a l b l
9、 o c ka t t e n t i o nm o d u l e(C B AM)i s i m p r o v e d,t h a t i s,t h ec h a n n e l a t t e n t i o n i s r e p l a c e db yt h ee f f i c i e n t c h a n n e l a t t e n t i o n*收稿日期:2 0 2 2-0 4-2 0。作者简介:张凡(1 9 9 6),男,硕士生;张鹏超(通信作者),男,教授,博士生导师。基金项目:国家自然科学基金资助项目(6 2 1 7 6 1 4 6)。网络出版时间:2 0 2
10、 2-0 8-0 1 网络出版地址:h t t p s:/k n s.c n k i.n e t/k c m s/d e t a i l/6 1.1 0 6 9.T.2 0 2 2 0 8 0 1.1 5 1 6.0 0 4.h t m l 第1期张凡,等:基于Y O L O v 5 s的轻量化朱鹮检测算法研究 h t t p:z k x b.x j t u.e d u.c n m o d u l e(E C A),w h i c ha v o i d s t h ed i m e n s i o n a l i t yr e d u c t i o no p e r a t i o n,e
11、f f e c t i v e l ye x t r a c t st h e i n-f o r m a t i o nb e t w e e na d j a c e n tc h a n n e l s,a n dg r e a t l yr e d u c e st h en u m b e ro fr e q u i r e dp a r a m e t e r so fc h a n n e l a t t e n t i o n;t h eE C Ai se m b e d d e d i nt h e f e a t u r e f u s i o nn e t w o r k
12、p a t ha g g r e g a t i o nn e t w o r k(P AN e t)f o r t h ep u r p o s eo f i n t r o d u c i n gas m a l ln u m b e ro fp a r a m e t e r s t oe f f e c t i v e l yi m p r o v et h en e t w o r kp e r f o r m a n c e,a n d i sn a m e da s e f f i c i e n t c o n v o l u t i o n a l b l o c ka t
13、t e n t i o nm o d u l e(E C B AM).F i n a l l y,e x p e r i m e n t s a r e c a r r i e do u t o n t h e s e l f-b u i l tC r e s t e d I b i sd a t a s e t a n d t h ep u b l i cd a t a s e t sP a s c a lV O Ca n dC O C O.T h ee x p e r i m e n t a l r e s u l t ss h o wt h a tc o m p a r e dw i t
14、 hY O L O v 5 sa l g o r i t h m,t h ep r o p o s e da l g o r i t h mr e d u c e st h en u m b e ro fr e q u i r e dm o d e lp a r a m e t e r sb y5 2.3 7%a n dt h ec a l c u l a t i o nw o r k l o a db y5 4.5 5%;i td e c r e a s e st h ePmA P0.5:0.9 5b yo n l ya b o u t2%t o0.6 6 6o nt h es e l f-
15、b u i l tC r e s t e d I b i sd a t a s e t,a n dr e d u c e s t h ePmA P0.5:0.9 5t ob e0.7 9 2o nt h ep u b l i cd a t as e tP a s c a lV O Ca n d0.2 9 8o n t h ep u b l i cd a t a s e tC O C O.E x p e r i m e n t s s h o wt h a t t h ep r o p o s e da l g o r i t h mc a nr e d u c e t h ea m o u n
16、 t o f n e t w o r kc a l c u l a t i o nw o r k l o a dw h i l em a i n t a i n i n gh i g hd e t e c t i o np e r f o r m a n c e.K e y w o r d s:o b j e c td e t e c t i o n;YO L O v 5;l i g h t w e i g h t;a t t e n t i o n 朱鹮是世界上最为濒危的鸟类之一,在其保护过程中知悉,其分布情况是朱鹮保护这一任务的关键环节。现阶段探寻野外朱鹮踪迹均靠相关专业人员对其潜在出现区域进行科学考察1,由于朱鹮活动范围较大,且生活环境复杂,所以现有方法耗时耗力,效率较低。当前,计算机视觉发展日新月异,其广泛应用于工业、农业2-3等领域,利用固定相机或无人机及计算机视觉技术代替人工巡查可对朱鹮出现区域进行长期监测,自动获得某一区域朱鹮的详细出现情况。因此,使用基于计算机视觉的方法来代替人工巡察具有重要的意义。近年来,计算机视觉中涌现出许多令人瞩目的基于深度学习的目标检测算法,这些