基于优化RetinaNet的自适应特征融合的轻量化目标检测方法

针对目标检测算法中计算量大、模型复杂等问题,造成在嵌入式平台计算资源有限的应用场景下难以部署的现象,提出一种基于优化RetinaNet的自适应特征融合的轻量化目标检测方法。提出的算法参考了GhostNet中的Ghost Module模块以减少模型参数量。通过一种空间特征融合机制,提高特征的尺度不变性。融合了结构重参化的思想,增加训练深度,实现多分支训练,单分支推理,更好地提升模型的推理性能。提出的方法在PASCAL VOC2007和COCO两种常用的目标检测数据集上进行评估,平均精度为54.1%,优于RetinaNet的平均精度,实验结果表明,提出的方法推理时所占的内存为170.71MByte,是RetinaNet所占内存的44.27%,表明提出的算法在保证精度的前提下极大提高网络的推理速度。