The swift and precise detection of vehicles holds significant research significance in intelligent transportation systems (ITS). However, current vehicle detection algorithms encounter challenges such as high computational complexity, low detection rate, and limited feasibility on mobile devices. To address these issues, this paper proposes a lightweight vehicle detection algorithm for YOLOv7-tiny called Ghost-YOLOv7. The model first scales the width multiple to 0.5 and replaces the standard convolution of the backbone network with Ghost convolution to achieve a lighter network and improve the detection speed; secondly, a Ghost bi-directional feature pyramid network (Ghost-BiFPN) neck network is designed to enhance feature extraction capability of the algorithm and enrich semantic information; thirdly, a Ghost Decouoled Head (GDH) is employed for accurate prediction of vehicle location and class, enhancing model accuracy; finally, a coordinate attention mechanism is introduced in the output layer to suppress environmental interference, and the WIoU loss function is employed to enhance the detection accuracy further. Experimental results on the PASCAL VOC dataset demonstrate that Ghost-YOLOv7 outperforms the original YOLOv7-tiny model, achieving a 29.8% reduction in computation, 37.3% reduction in the number of parameters, 35.1% reduction in model weights, and 1.1% higher mean average precision (mAP), while achieving a detection speed of 428 FPS. These results validate the effectiveness of the proposed method.


翻译:智能交通系统(ITS)中,快速准确检测车辆对于智能交通具有重要研究意义。然而,目前的车辆检测算法面临着高计算复杂度、低检测率、且不能在移动设备上使用等挑战。为了解决这些问题,本文提出了一种基于轻量级YOLOv7-tiny的车辆检测算法Ghost-YOLOv7。该模型首先将宽度多路复用比例缩小到0.5,用Ghost卷积替换主干网络标准卷积,实现轻量级网络和提高检测速度;其次设计了Ghost双向特征金字塔网络(Ghost-BiFPN)颈部网络,增强算法的特征提取能力和丰富语义信息;第三,采用Ghost解耦头(GDH)进行车辆位置和类别的精确预测,提高模型准确性;最后,在输出层引入坐标注意机制,抑制环境干扰,采用WIoU损失函数进一步提高检测准确率。在PASCAL VOC数据集上的实验结果表明,Ghost-YOLOv7模型优于原始YOLOv7-tiny模型,计算量减少29.8%,参数数目减少37.3%,模型重量减少35.1%,而平均精度(mAP)提高1.1%,同时达到428 FPS的检测速度。这些结果验证了提出方法的有效性。

0
下载
关闭预览

相关内容

基于深度学习及FPGA的装备目标检测研究
专知会员服务
45+阅读 · 2023年4月18日
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
浙大《深度学习低样本目标检测》综述论文
专知会员服务
73+阅读 · 2021年12月13日
专知会员服务
15+阅读 · 2021年4月3日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
大盘点 | 性能最强的目标检测算法
新智元
13+阅读 · 2019年7月9日
视频目标检测:Flow-based
极市平台
22+阅读 · 2019年5月27日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
干货 | 基于深度学习的目标检测算法综述
AI科技评论
18+阅读 · 2018年9月1日
博客 | 基于深度学习的目标检测算法综述(二)
AI研习社
11+阅读 · 2018年8月22日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Arxiv
19+阅读 · 2022年10月6日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
大盘点 | 性能最强的目标检测算法
新智元
13+阅读 · 2019年7月9日
视频目标检测:Flow-based
极市平台
22+阅读 · 2019年5月27日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
干货 | 基于深度学习的目标检测算法综述
AI科技评论
18+阅读 · 2018年9月1日
博客 | 基于深度学习的目标检测算法综述(二)
AI研习社
11+阅读 · 2018年8月22日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
相关基金
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员