基于改进Mobilenet-YOLOv3的轻量级水下生物检测算法
Lightweight underwater biological detection algorithm based on improved Mobilenet-YOLOv3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)]
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.