换一批摘要为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题,对你只看一次(YOLO)网络YOLOv7-tiny进行改进,提出一种新的YOLOv7-ghost网络模型.针对模型参数量大的问题,引入幽灵瓶颈(GB)代替部分池化操作和高效层聚合网络(ELAN),大幅度降低模型参数量;构建了一个全新的高性能轻量化模块(即C2f-全局注意力模块),综合考虑全局和局部特征信息,更好地捕捉节点的上下文信息;然后引入快速空间金字塔池化和幽灵瓶颈(SPPF-GB)模块,对特征进行重组和压缩,以融合不同尺度的特征信息、增强特征的表达能力;最后在头部引入可变形卷积(DCN),增强感受野的表达能力,以捕获目标周围更细粒度的目标结构和背景信息.结果表明,改进后的模型参数量下降了20.33%,模型大小下降了18.70%,平均精度mAP@0.50和mAP@0.50～0.95分别提升了1.2%和3.3%.该网络模型在保证轻量化的同时,检测精度得到了大幅度的提升,更利于室内场景目标检测算法实际应用的部署.
更多相关知识
关键词
图像处理轻量化幽灵瓶颈模块C2f-全局注意力模块多尺度特征融合可变形卷积YOLOv7-tiny网络模型image processinglight weightghost bottleneck moduleC2f-global attention modulemulti-scale feature fusiondeformable convolutionYOLOv7-tiny network
栏目名称
DOI
10.7510/jgjs.issn.1001-3806.2025.02.002
发布时间
2025-05-06（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览3
- 被引2
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
