論文の概要: Fast vehicle detection algorithm based on lightweight YOLO7-tiny
- arxiv url: http://arxiv.org/abs/2304.06002v1
- Date: Wed, 12 Apr 2023 17:28:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 14:06:38.579813
- Title: Fast vehicle detection algorithm based on lightweight YOLO7-tiny
- Title（参考訳）: 軽量YOLO7-tinyに基づく高速車両検出アルゴリズム
- Authors: Bo Li, YiHua Chen and Hao Xu
- Abstract要約: 本稿では,Ghost-YOLOv7 と呼ばれる YOLOv7-tiny の軽量車両検出アルゴリズムを提案する。
モデルはまず、幅を0.5に拡大し、バックボーンネットワークの標準畳み込みをゴースト畳み込みに置き換え、より軽量なネットワークを実現し、検出速度を向上させる。
PASCAL VOCデータセットの実験結果は、Ghost-YOLOv7が元のYOLOv7-tinyモデルより優れていることを示している。
- 参考スコア（独自算出の注目度）: 8.721557548002737
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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.
- Abstract（参考訳）: 車両の迅速かつ正確な検出は、インテリジェントトランスポートシステム(ITS)において重要な研究課題となっている。
しかし、現在の車両検出アルゴリズムは、高い計算複雑性、低い検出率、モバイルデバイスでの使用可能性の制限といった課題に遭遇する。
これらの問題に対処するために,Ghost-YOLOv7 と呼ばれる YOLOv7-tiny の軽量車両検出アルゴリズムを提案する。
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.
PASCAL VOCデータセットの実験結果によると、Ghost-YOLOv7 は元の YOLOv7-tiny モデルよりも優れており、計算の29.8%削減、パラメータ数の37.3%削減、モデル重量の35.1%削減、平均平均精度の1.1%向上、検出速度は428 FPSである。
これらの結果は,提案手法の有効性を検証する。
関連論文リスト
- LeYOLO, New Scalable and Efficient CNN Architecture for Object Detection [0.0]
FLOPに基づく効率的な物体検出のためのニューラルネットワークアーキテクチャの設計選択に着目する。
そこで本研究では,YOLOモデルの有効性を高めるために,いくつかの最適化手法を提案する。
本稿では、オブジェクト検出のための新しいスケーリングパラダイムと、LeYOLOと呼ばれるYOLO中心のモデルに寄与する。
論文 参考訳（メタデータ） (2024-06-20T12:08:24Z) - Fostc3net:A Lightweight YOLOv5 Based On the Network Structure Optimization [11.969138981034247]
本稿では,モバイル機器向けにカスタマイズされた軽量YOLOv5技術を提案する。
提案モデルでは,検出精度が1%向上し,FLOPが13%減少し,既存のYOLOv5に比べてモデルパラメータが26%減少した。
論文 参考訳（メタデータ） (2024-03-20T16:07:04Z) - Lightweight Object Detection: A Study Based on YOLOv7 Integrated with
ShuffleNetv2 and Vision Transformer [0.0]
本研究は、モバイルプラットフォーム上での運用効率と速度を向上させるために、YOLOv7アルゴリズムの最適化をゼロにする。
実験結果から, 改良されたYOLOモデルは優れた性能を示した。
論文 参考訳（メタデータ） (2024-03-04T05:29:32Z) - Light-YOLOv5: A Lightweight Algorithm for Improved YOLOv5 in Complex
Fire Scenarios [8.721557548002737]
本稿では,高速かつ精度のバランスをとる軽量なライトヨロブ5火災検知アルゴリズムを提案する。
実験の結果、Light-YOLOv5は元のアルゴリズムに比べてmAPを3.3%改善し、パラメータ数を27.1%減らし、計算量を19.1%減らし、FPSは91.1に達した。
論文 参考訳（メタデータ） (2022-08-29T08:36:04Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - SALISA: Saliency-based Input Sampling for Efficient Video Object
Detection [58.22508131162269]
ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。
SALISAは小物体の検出を著しく改善することを示す。
論文 参考訳（メタデータ） (2022-04-05T17:59:51Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳（メタデータ） (2022-04-05T16:29:49Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳（メタデータ） (2020-12-25T14:58:35Z) - LittleYOLO-SPP: A Delicate Real-Time Vehicle Detection Algorithm [0.0]
既存のリアルタイム車両検出には精度と速度が欠けている。
LittleYOLO-SPPネットワークは、ビデオフレームや気象条件に関わらず、リアルタイムで車両を高精度に検出する。
論文 参考訳（メタデータ） (2020-11-11T17:57:49Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。