基于YOLO-v3模型压缩的卫星图像船只实时检测

发布时间：2022-01-22 06:23

　　常见的目标检测模型由于模型参数量较大,往往难以部署在无人机、卫星等移动嵌入式设备上。为了对船只进行实时监测,将目标检测模型部署在计算能力较弱的设备上,对基于计算机视觉的卫星图像船只目标检测方法进行研究。针对卫星图像中船舰的形状长宽比例特点,采用K-means++聚类算法选取初始的锚点框;接着对模型进行多尺度训练,将多尺度金字塔图像作为模型训练的输入;将YOLO-v3目标检测算法的批归一化层的尺度因子作为通道重要性的度量指标,对YOLO-v3模型进行剪枝压缩。实验结果表明,采用的模型剪枝和压缩方法能有效地对模型进行压缩,模型的参数量减少了91.5%,模型检测时间缩短了60%,极大地减少了系统计算性能的开销。当采用的初始锚点框个数为6个时,平均准确率（mAP）达到77.31%,满足了卫星图像船舰实时性检测的需求。 

【文章来源】：液晶与显示. 2020,35(11)北大核心CSCD

【文章页数】：9 页

【部分图文】：

多尺度图像金字塔

YOLO-v3算法将目标区域检测与物体类别预测看作回归问题。YOLO-v3算法的特征提取网络为Darknet53。Darknet53包含52个卷积层，用于对图像进行特征提取，为了防止深层网络训练过程中发生模型退化，YOLO-v3借鉴了ResNet[12]的做法，在层与层之间进行了链路的连接。最后一层为1个全连接层。YOLO-v3通过单个神经网络，即可实现对图像中目标的定位和分类。Darknet-53网络结构如图2所示。Darknet-53网络对图像进行了5次下采样，每次采样的步长为2。其中卷积模块的结构如图3。

YOLO-v3算法假设目标散落在图像中各个区域，因此将图像划分为多个子区域。接着对各个区域预测多个锚点框（Bounding Box），并求出每个边框的置信度（Confidence）。置信度分数的大小，反映了锚点框内存在目标物体的准确程度。置信度定义如下式：式中，Pr(Object）表示锚点框中存在目标图像的概率大小。IoU表示预测的目标框与真实的标注框之间的交并比，IoU的计算公式如下：

【参考文献】：
期刊论文
[1]舰船目标识别技术研究进展[J]. 马啸,邵利民,金鑫,徐冠雷.  科技导报. 2019(24)
[2]无人机海监测绘技术应用下舰船遥感图像目标检测[J]. 安洁玉,丁斌芬.  舰船科学技术. 2019(24)
[3]改进的YOLO模型及其在舰船目标识别中的应用[J]. 马啸,邵利民,金鑫,徐冠雷.  电讯技术. 2019(08)
[4]基于YOLO和嵌入式系统的车流量检测[J]. 马永杰,宋晓凤.  液晶与显示. 2019(06)
[5]基于Faster-RCNN和多分辨率SAR的海上舰船目标检测[J]. 胡炎,单子力,高峰.  无线电工程. 2018(02)



本文编号：3601700