改进YOLOX的轻量级人体跌倒检测算法

针对边缘计算设备算力和存储空间有限的问题,提出了一种基于YOLOX改进的轻量级人体跌倒检测算法。首先采用GhostNet中的Ghost模块降低YOLOX中Neck和Prediction层的卷积参数冗余;其次,在Neck层中添加坐标注意力机制,增强关键信息提取能力,减少背景带来的噪音影响;最后,针对轻量级模型检测头检测能力不足问题,引入辅助头模块以加强轻量检测头的学习能力。通过算法检测性能以及在边缘计算端NVIDIA Jetson Xavier NX运行实验,结果显示,所提模型的mAP@0.5达到84.9%,且模型大小为25.6 MB。相较于YOLOX模型,仅以牺牲少量推理速度提升了4.6%的检测精度,减少了25.4%的模型大小,另外与一些主流目标检测算法相比,也具有一定的优越性。这些结果表明所提模型能够更好地满足边缘计算设备在人体跌倒检测中对轻量化和准确性的需求。