Fast vehicle detection algorithm based on lightweight YOLO7-tiny

要約

タイトル：軽量YOLO7-tinyに基づく高速車両検出アルゴリズム

要約：
– ITS（Intelligent Transportation Systems）において、車両の素早く正確な検出は重要な研究テーマである。
– 現在の車両検出アルゴリズムは、高い計算複雑度、低い検出率、そしてモバイルデバイス上での限定的実用性などの問題に直面している。
– この論文では、YOLOv7-tinyに対して軽量な車両検出アルゴリズム(Ghost-YOLOv7)を提案する。
– Ghost-YOLOv7は、(1)特徴量抽出を強化し、シータ方向の情報を補完するために、Ghost双方向特徴金字塔ネットワーク(Ghost-BiFPN)を使用する。 (2) GDH(Ghost Decoupled Head)を使用して、車両の位置とクラスを正確に予測する。 (3) 環境の干渉を抑制するために、座標注意メカニズムを導入する。
– PASCAL VOCデータセットでの実験結果により、Ghost-YOLOv7は元のYOLOv7-tinyモデルよりも高いmAP(平均精度)を達成し、計算量が29.8%、パラメータ数が37.3%、モデル重量が35.1%削減された。また、検出速度は428 FPSであった。
– 以上の結果から、提案手法の有効性が確認された。

要約(オリジナル)

The swift and precise detection of vehicles holds significant research significance in intelligent transportation systems (ITS). However, current vehicle detection algorithms encounter challenges such as high computational complexity, low detection rate, and limited feasibility on mobile devices. To address these issues, this paper proposes a lightweight vehicle detection algorithm for YOLOv7-tiny called Ghost-YOLOv7. The model first scales the width multiple to 0.5 and replaces the standard convolution of the backbone network with Ghost convolution to achieve a lighter network and improve the detection speed; secondly, a Ghost bi-directional feature pyramid network (Ghost-BiFPN) neck network is designed to enhance feature extraction capability of the algorithm and enrich semantic information; thirdly, a Ghost Decouoled Head (GDH) is employed for accurate prediction of vehicle location and class, enhancing model accuracy; finally, a coordinate attention mechanism is introduced in the output layer to suppress environmental interference, and the WIoU loss function is employed to enhance the detection accuracy further. Experimental results on the PASCAL VOC dataset demonstrate that Ghost-YOLOv7 outperforms the original YOLOv7-tiny model, achieving a 29.8% reduction in computation, 37.3% reduction in the number of parameters, 35.1% reduction in model weights, and 1.1% higher mean average precision (mAP), while achieving a detection speed of 428 FPS. These results validate the effectiveness of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI