针对由于目标火焰较小、检测慢和模型较大等无法高效识别火焰问题,首先提出了一种全新的注意力机制并行全局注意力机制(P-GAM)加入YOLOv7模型中;其次将原先的金字塔池化结构(SPPCSPC)替换为分组金字塔池化结构(SPPCSPC-group),采取分组...针对由于目标火焰较小、检测慢和模型较大等无法高效识别火焰问题,首先提出了一种全新的注意力机制并行全局注意力机制(P-GAM)加入YOLOv7模型中;其次将原先的金字塔池化结构(SPPCSPC)替换为分组金字塔池化结构(SPPCSPC-group),采取分组卷积的思想,减少模型参数量和计算量;再通过分离合并最大池化动态卷积模块(Separable and Pooled Maxpool ODConv,SPMPO)加强小目标特征识别提取能力,避免特征信息的流失;然后,通过使用MbO(MobileOne)模块,达到轻量化网络模型的目的;最后形成新的模型MPGS-YOLO(MbO-P-GAM-SPMPO based YOLOv7),应用于火焰检测。结果表明:MPGS-YOLO模型相比于YOLOv7,检测率和检测速度分别提高了15.69%和8.74%,而参数量和计算量分别降低了19.78%和63.79%,且优于其他对比模型,性能更好。展开更多
文摘针对由于目标火焰较小、检测慢和模型较大等无法高效识别火焰问题,首先提出了一种全新的注意力机制并行全局注意力机制(P-GAM)加入YOLOv7模型中;其次将原先的金字塔池化结构(SPPCSPC)替换为分组金字塔池化结构(SPPCSPC-group),采取分组卷积的思想,减少模型参数量和计算量;再通过分离合并最大池化动态卷积模块(Separable and Pooled Maxpool ODConv,SPMPO)加强小目标特征识别提取能力,避免特征信息的流失;然后,通过使用MbO(MobileOne)模块,达到轻量化网络模型的目的;最后形成新的模型MPGS-YOLO(MbO-P-GAM-SPMPO based YOLOv7),应用于火焰检测。结果表明:MPGS-YOLO模型相比于YOLOv7,检测率和检测速度分别提高了15.69%和8.74%,而参数量和计算量分别降低了19.78%和63.79%,且优于其他对比模型,性能更好。
