基于改进Mobilenet-YOLOv3的轻量级水下生物检测算法

作     者：郝琨 王阔 王贝贝 HAO Kun;WANG Kuo;WANG Bei-bei

作者机构：天津城建大学计算机与信息工程学院天津300384 天津城建大学控制与机械工程学院天津300384 

出 版 物：《浙江大学学报（工学版）》 (Journal of Zhejiang University：Engineering Science)

年 卷 期：2022年第56卷第8期

页      面：1622-1632页

核心收录：

学科分类：0710[理学-生物学] 08[工学] 0804[工学-仪器科学与技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(61902273)。 

主　　题：水下生物检测 轻量化模型 通道剪枝 注意力机制 深度学习 

摘      要：在水下生物检测中,经典目标检测模型由于体积大、参数量多,不适用于微小型水下硬件设备,而现有轻量化模型又难以平衡检测精度和实时性.针对这一问题,本研究提出了基于改进Mobilenet-YOLOv3的轻量级检测算法CPM-YOLOv3,该算法利用规整通道剪枝算法对Mobilenet-YOLOv3进行剪枝,并将特征提取网络中的SE(squeeze-and-excitation)模块替换成CBAM (convolutional block attention module),实现对网络模型的压缩.同时,在不同尺寸的检测层中分别加入2个CBAM,在几乎不增加模型大小的情况下提升模型关注目标特征信息的能力.实验结果表明,CPM-YOLOv3模型大小仅有4.86 MB,与原模型相比大小降低了94.7%,平均检测精度为87.0%,速度为5.1 ms/帧.相较于其他网络模型,CPM-YOLOv3更适合在微小型水下设备中应用.