基于ECA和YOLOv4的轻量级目标检测网络设计

doi:10.13873/J.1000-9787(2023)09-0100-05

Chinese

您当前的位置：

首页 >

文章列表页 >

基于ECA和YOLOv4的轻量级目标检测网络设计

更新时间：2025-09-11

- 基于ECA和YOLOv4的轻量级目标检测网络设计
- Issue 9, Pages: 100-104(2023)
- 作者机构：
  
  1. 贵州大学计算机科学与技术学院
  2. 贵州开放大学信息工程学院
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2023)09-0100-05
  CLC： TP183;TP391.41
- Published：2023
- 稿件说明：
移动端阅览
[J]. 2023, (9): 100-104.
DOI：

[J]. 2023, (9): 100-104. DOI： 10.13873/J.1000-9787(2023)09-0100-05.

摘要

针对传统的目标检测网络存在参数量大、检测速度慢等不足，在计算资源受限的设备上难以满足实时性需求的问题，提出一种改进的YOLOv4-tiny目标检测算法，使用Bneck＿E替换主特征提取网络的CSP结构，在深层特征提取网络中，增加轻量级注意力机制——高效通道注意力(ECA)机制，采用双向特征融合，用深度可分离卷积对浅层特征下采样，提高对小目标的检测精度。在PASCAL VOC数据集上实验表明，该算法平均精度均值(mAP)提高了4.4%

帧率(FPS)提升了8.9%

模型大小仅为YOLOv4-tiny的36%

有利于在嵌入式设备上部署运行。

Abstract

关键词

Keywords

references

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression[J]. Zhaohui Zheng;Ping Wang;Wei Liu;Jinze Li;Rongguang Ye;Dongwei Ren.Proceedings of the AAAI Conference on Artificial Intelligence,2020

ECA-Net: Efficient channel attention for deep convolutional neural networks[J]. Wang Q.;Wu B.;Zhu P.;Li P.;Zuo W.;Hu Q..Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020

基于GhostNet残差结构的轻量化饮料识别网络[J]. 曹远杰;高瑜翔.计算机工程,2022(03)

改进YOLO轻量化网络的口罩检测算法[J]. 王兵;乐红霞;李文璟;张孟涵.计算机工程与应用,2021(08)

Views

228

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于深度可分离卷积的大型铸件焊缝检测方法

轻量化深度学习网络的条码定位算法

基于改进SSD的车内宠物遗落检测方法

基于V5CA与几何特征的运动物体目标检测及位姿估计方法

基于深度可分离卷积残差模块的抓取检测算法

Related Author

王杰

马行

穆春阳

赵兴龙

高昕

储成群

王子硕

单彦虎

Related Institution

北方民族大学机电工程学院

宁夏智能信息与大数据处理重点实验室

北方民族大学计算机科学与工程学院

中北大学仪器与电子学院

上海理工大学机械工程学院

⁰