多尺度鱼类目标快速检测网络的优化方法研究
计算机视觉与模式识别
2021-04-13 v1 人工智能
摘要
鱼类目标检测算法缺乏高质量数据集，且算法在嵌入式设备上以较低功耗实现实时检测时，难以平衡计算速度与识别能力。为此，本文收集并标注了包含10042张图像的84种鱼类数据集“Aquarium Fish”，并基于此数据集提出了一种多尺度输入快速鱼类目标检测网络(BTP-yoloV3)及其优化方法。实验使用深度可分离卷积(Depthwise convolution)重新设计yoloV4网络的主干，计算量降低了94.1%，测试准确率为92.34%。然后，采用MixUp、CutMix和mosaic对训练模型进行增强，测试准确率提升1.27%；最后，使用mish、swish和ELU激活函数，测试准确率提升0.76%。结果表明，用2000张鱼图像测试该网络时准确率达到94.37%，网络计算复杂度BFLOPS仅为5.47。与在该数据集上迁移学习的YoloV3~4、MobileNetV2-yoloV3和YoloV3-tiny网络相比，结果表明BTP-Yolov3在保证计算精度的同时具有更小的模型参数、更快的计算速度和更低的运行能耗，为神经网络的实际应用提供了一定参考价值。
引用
@article{arxiv.2104.05050,
title = {Research on Optimization Method of Multi-scale Fish Target Fast Detection Network},
author = {Yang Liu and Shengmao Zhang and Fei Wang and Wei Fan and Guohua Zou and Jing Bo},
journal= {arXiv preprint arXiv:2104.05050},
year = {2021}
}