针对交通目标检测时物体尺度变化大,检测目标较为密集的问题,基于YOLO(you only look once)v8s提出一种高效多尺度YOLO(fast multiscale powerful-YOLO,FMP-YOLO)模型。在主干网络中,引入基于部分卷积(partial convolution,PConv)与快...针对交通目标检测时物体尺度变化大,检测目标较为密集的问题,基于YOLO(you only look once)v8s提出一种高效多尺度YOLO(fast multiscale powerful-YOLO,FMP-YOLO)模型。在主干网络中,引入基于部分卷积(partial convolution,PConv)与快速傅里叶卷积(fast Fourier convolution,FFC)设计的Faster Block模块,减少了冗余计算和内存访问,提高了推理速度,改善了感受野受限的问题;在聚合网络中,使用改进后的组混洗卷积(group shuffle convolution,GSConv)替换普通卷积,更好地捕获不同尺度的特征,进一步降低了模型的参数量和计算量;将Powerful-IoU与软非极大值抑制(soft non maximum suppression,SoftNMS)结合替换原有的非极大值抑制算法(non maximum suppression,NMS),改善了由参数量降低导致特征学习能力下降的问题,并且提高了模型的精度。在SODA10M和MS COCO数据集上进行实验,实验结果表明,改进后的模型性能超越原始模型,参数量和计算量下降40%左右,mAP分别提高了1.7%和1.4%,FMP-YOLO在体积与精度上优于其他经典模型,具有较强的实用性。展开更多
文摘针对交通目标检测时物体尺度变化大,检测目标较为密集的问题,基于YOLO(you only look once)v8s提出一种高效多尺度YOLO(fast multiscale powerful-YOLO,FMP-YOLO)模型。在主干网络中,引入基于部分卷积(partial convolution,PConv)与快速傅里叶卷积(fast Fourier convolution,FFC)设计的Faster Block模块,减少了冗余计算和内存访问,提高了推理速度,改善了感受野受限的问题;在聚合网络中,使用改进后的组混洗卷积(group shuffle convolution,GSConv)替换普通卷积,更好地捕获不同尺度的特征,进一步降低了模型的参数量和计算量;将Powerful-IoU与软非极大值抑制(soft non maximum suppression,SoftNMS)结合替换原有的非极大值抑制算法(non maximum suppression,NMS),改善了由参数量降低导致特征学习能力下降的问题,并且提高了模型的精度。在SODA10M和MS COCO数据集上进行实验,实验结果表明,改进后的模型性能超越原始模型,参数量和计算量下降40%左右,mAP分别提高了1.7%和1.4%,FMP-YOLO在体积与精度上优于其他经典模型,具有较强的实用性。
