HGO-YOLO：结合分层特征与轻量化优化检测的异常行为检测
计算机视觉与模式识别
2025-06-24 v2
摘要
在资源受限的硬件上进行准确、实时的目标检测对于异常行为监控至关重要。我们提出了 HGO-YOLO，一种将 GhostHGNetv2 与优化参数共享头（OptiConvDetect）相结合的轻量化检测器，以提供卓越的准确率与效率折衷。通过将 GhostConv 嵌入到具有多尺度残差融合的 HGNetv2 主干网络中，扩大了感受野，同时将冗余计算减少了 50%。OptiConvDetect 在分类和回归分支之间共享部分卷积层，在不损失准确率的情况下将检测头的 FLOPs 减少了 41%。在三个异常数据集（跌倒、打架、烟雾）上，HGO-YOLO 在仅需 4.3 GFLOPs 和 4.6 MB 的单个 CPU 上以 56 FPS 的速度实现了 87.4% 的 [email protected] 和 81.1% 的召回率，超越了 YOLOv8n +3.0% mAP、-51.7% FLOPs 以及 1.7 倍的速度。在 Jetson Orin Nano 上的真实世界测试进一步证实了 42 FPS 的稳定吞吐量提升。
引用
@article{arxiv.2503.07371,
title = {HGO-YOLO: Advancing Anomaly Behavior Detection with Hierarchical Features and Lightweight Optimized Detection},
author = {Qizhi Zheng and Zhongze Luo and Meiyan Guo and Xinzhu Wang and Renqimuge Wu and Qiu Meng and Guanghui Dong},
journal= {arXiv preprint arXiv:2503.07371},
year = {2025}
}
备注
12 pages