基于通道剪枝 YOLOv5 的深度学习室外障碍物快速准确检测方法
计算机视觉与模式识别
2022-08-16 v2
摘要
单阶段算法已广泛用于需要用海量数据训练的目标检测系统。大多数在实时性与准确性方面均表现良好。然而，由于其卷积结构，它们需要更多的计算能力和更大的内存消耗。因此，我们将剪枝策略应用于目标检测网络，以减少参数数量和模型大小。为证明该剪枝方法的实用性，我们选取 YOLOv5 模型进行实验，并提供室外障碍物数据集以展示模型效果。在该特定数据集中，最佳情况下，网络模型体积较原始模型减少 49.7%，推理时间减少 52.5%。同时，也使用数据处理方法补偿剪枝导致的精度下降。
引用
@article{arxiv.2204.13699,
title = {Channel Pruned YOLOv5-based Deep Learning Approach for Rapid and Accurate Outdoor Obstacles Detection},
author = {Zeqian Li and Yuwei Wang and Kexun Chen and Zhibin Yu},
journal= {arXiv preprint arXiv:2204.13699},
year = {2022}
}