一种改进CenterNet的轻量化目标检测算法

CenterNet算法结构复杂,导致其参数量大、计算复杂度高和检测速度较慢。针对这一问题,提出了一种CenterNet-encoder算法。该算法使用深度为104层的沙漏网络作为backbone,并将其中的残差模块替换为fire模块来减少算法的参数量,提高算法的计算速度;另外,在backbone和head之间加入了编码层,在不损失分辨率的同时增大了感受野,减少了内存的占用,让输出囊括更多尺度的信息;最后,使用均方误差损失进行边界框的回归,加快算法的收敛,进一步提升了算法的检测精度。CenterNet-encoder算法最终在MS-COCO test-dev数据集上的平均检测精度为40.5%,参数量为47×10^(6)。在AMD5900X/32GB/RTX3090环境配置下,检测速度达到了18帧/s。实验结果表明,CenterNet-encoder算法虽然牺牲了一定的精度,但参数量比原算法下降了约77.6%,同时检测速度提升了约69.3%。与其他轻量化目标检测算法相比,在参数量、推理时间和检测精度上也有一定的优势。