基于深度学习的轻量级目标检测网络综述

目标检测指的是在给定的图片中,找出我们想要关注的目标,比如行人、车辆、动物等实例对象,其在视频跟踪、人体姿态识别等复合任务中也至关重要。轻量级目标检测网络虽然舍弃部分精度,但仍足以应用在工业领域,同时因其检测速度较快,符合终端应用的实时性要求,因此受到了广泛的关注。本文列举介绍了近十年内的流行轻量级目标检测网络算法,并采取实验进行比较,最后作出总结并对未来前景进行了展望。

基于GhostNet的机器人对番茄叶片目标检测算法

为了在农业机器人上部署面向番茄叶片图像的识别和检测系统,实现准确和快速检测的双重要求,在YOLOv4和YOLOv4(tiny)目标检测算法的基础上,设计了基于GhostNet模块的YOLOv4-Ghost Net和YOLOv4(tiny)-GhostNet两种检测算法,其中,YOLOv4(tiny)属于YOLOv4的轻量级检测算法,进一步提升机器人对番茄叶片图像的识别检测精度和检测速度。实验结果表明,引入Ghost Net模块的深度学习检测算法,在实现模型参数量减少的情况下,保证了网络模型的特征提取和表达能力。YOLOv4(tiny)-G hostNet的平均检测率为95.44%,相比于YOLOv4、YOLOv4-GhostNet和YOLOv4(tiny),平均检测率分别提高了2.21、13.99、10.21个百分点。同时YOLOv4(tiny)-GhostNet的模型参数量不足YOLOv4的1/13,模型参数明显的缩减,极大地提高了检测算法的优势。