SNAT-YOLO：面向边缘端矸石检测的高效跨层聚合网络
计算机视觉与模式识别
2025-02-19 v2
摘要
针对基于深度学习的煤矸石目标检测方法中存在的检测速度慢、精度低、难以部署在工业边缘设备上以及参数量和计算量大的问题，我们提出了一种基于改进 YOLOv11 的轻量级煤矸石目标检测算法。首先，我们使用轻量级网络 ShuffleNetV2 作为骨干网络以提高检测速度。其次，我们引入了一种轻量级下采样操作 ADown，在降低模型复杂度的同时提高了平均检测精度。第三，我们通过引入 Triplet Attention 机制改进了 YOLOv11 中的 C2PSA 模块，提出了 C2PSA-TriAtt 模块，增强了模型关注图像不同维度的能力。第四，我们提出了 Inner-FocalerIoU 损失函数来替代现有的 CIoU 损失函数。实验结果表明，我们的模型在煤矸石检测任务中达到了 99.10% 的检测精度，模型大小减少了 38%，参数量减少了 41%，计算量减少了 40%，同时每张图像的平均检测时间减少了 1 毫秒。改进后的模型在检测速度和精度上均有提升，使其适合部署在工业边缘移动设备上，从而对煤炭加工和煤炭资源的高效利用做出积极贡献。
引用
@article{arxiv.2502.05988,
title = {SNAT-YOLO: Efficient Cross-Layer Aggregation Network for Edge-Oriented Gangue Detection},
author = {Shang Li},
journal= {arXiv preprint arXiv:2502.05988},
year = {2025}
}
备注
In Figure 1, due to our mistake, some parts of the picture are incorrect. We are making changes for resubmission