YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型

doi:10.12068/j.issn.1005-3026.2021.05.001

东北大学学报（自然科学版） ›› 2021, Vol. 42 ›› Issue (5): 609-615.DOI: 10.12068/j.issn.1005-3026.2021.05.001

• 信息与控制 • 下一篇

YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型

宋欣^1,2，李奇¹，解婉君¹，李宁³

(1. 东北大学计算机科学与工程学院，辽宁沈阳110169; 2. 中国科学院自动化研究所，北京100190; 3. 中国移动信息技术有限公司，北京100037)

修回日期:2020-07-20 接受日期:2020-07-20 发布日期:2021-05-20
通讯作者: 宋欣
作者简介:宋欣(1978-)，女，黑龙江齐齐哈尔人，东北大学副教授.
基金资助:
基金项目；(半空) 基金项目.国家自然科学基金资助项目(61603083)；中央高校基本科研业务费专项资金资助项目(N162304009); 河北省高等学校科学技术研究重点项目(ZD2017303); 中国科学院自动化研究所国家重点实验室开放课题项目(20180105).

YOLOv3-ADS:A Compression Model for Deep Learning Object Detection Based on YOLOv3

SONG Xin^1,2， LI Qi¹， XIE Wan-jun¹， LI Ning³

1. School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China; 2. Institute of Automation， Chinese Academy of Sciences， Beijing 100190， China; 3.China Mobile Information Technology Co.， Ltd.， Beijing 100037， China.

Revised:2020-07-20 Accepted:2020-07-20 Published:2021-05-20
Contact: SONG Xin
About author:-
Supported by:
-

摘要/Abstract

摘要： 基于原有YOLOv3模型占用存储空间较大，所需初始化数据集样本和参数较多的问题，本文提出了一种基于YOLOv3的深度学习目标检测压缩模型YOLOv3-ADS.该模型使用拼接、叠加等方法对较少的有代表性的初始数据集进行数据增强，引入了DIoU损失函数，提升了目标检测的准确度.最后，通过稀疏训练和剪枝率阈值设置实现了YOLOv3-ADS模型的压缩处理，减少了模型实现过程中的冗余节点、参数数量和所需存储空间.实验结果表明，提出的YOLOv3-ADS压缩模型与已有的YOLOv3模型相比，平均精度值(mAP值)提升了约30%，由0.6418提升至0.8368，需设置参数量下降了96.6%，由原来的63.0MB降至2.2MB，在保证了较高目标检测准确率的同时，YOLOv3-ADS模型所需存储空间下降了96.5%，由252MB降至仅需8.81MB.

关键词: 目标检测;YOLOv3-ADS模型;深度学习;YOLOv3模型;压缩模型

Abstract: Since the original YOLOv3 model takes up a large amount of storage space， more initialization dataset samples and parameters are required. A deep learning object detection compression model YOLOv3-ADS was proposed based on YOLOv3. The proposed model uses the methods of splicing and stacking for data enhancement of the fewer representative initial datasets. It introduces the DIoU loss function， and improves the accuracy of object detection. Finally， YOLOv3-ADS model was compressed by sparse training and pruning rate threshold setting， which reduces the number of redundant nodes， parameters and the required storage space. The experimental results show that， compared with the existing YOLOv3 model， the average accuracy of the proposed YOLOv3-ADS compression model is increased by about 30%， from 0.6418 to 0.8368， and the number of parameters is reduced by 96.6%， from the original 63.0MB to 2.2MB. At the same time， the storage space required by YOLOv3-ADS model is reduced by 96.5%， from 252MB to only 8.81MB.

Key words: object detection; YOLOv3-ADS model;deep learning;YOLOv3 model;compression model

中图分类号:

TP391

宋欣，李奇，解婉君，李宁. YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型[J]. 东北大学学报（自然科学版）, 2021, 42(5): 609-615.

SONG Xin， LI Qi， XIE Wan-jun， LI Ning. YOLOv3-ADS:A Compression Model for Deep Learning Object Detection Based on YOLOv3[J]. Journal of Northeastern University(Natural Science), 2021, 42(5): 609-615.

参考文献

[1]Ren S Q，He K M，Girshick R，et al.Faster R-CNN:towards real-time object detection with region proposal networks［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(6):1137-1149.
[2]Liu W，Anguelov D，Erhan D，et al.SSD:single shot，multi box detector［C］// European Conference on Computer Vision.Cham:Springer International Publishing，2016:21-37.
[3]Law H，Deng J.CornerNet:detecting objects as paired keypoints［J］. International Journal of Computer Vision，2020，128:642-656.
[4]Pang J M，Chen K，Shi J P，et al.Libra R-CNN:towards balanced learning for object detection［EB/OL］.［2020-06-02］.https://arxiv.org/abs/1904.02701v1.
[5]Redmon J，Divvala S，Girshick R，et al.You only look once:unified，real-time object detection［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Las Vegas:IEEE，2016:779-788.
[6]Redmon J，Ali F.YOLO9000:better，faster，stronger［C］// IEEE Conference on Computer Vision and Pattern Recognition.Honolulu:IEEE，2017:6517-6525.
[7]Redmon J，Ali F.YOLOv3:an incremental improvement［EB/OL］.［2020-06-02］.https://arxiv.org/pdf/1804.02767.pdf.
[8]Shafiee M J，Chywl B，Li F，et al.Fast YOLO:a fast you only look once system for real-time embedded object detection in video［EB/OL］.［2020-06-02］.https://arxiv.org/abs/1709.05943.
[9]Ye J，Lu X，Lin Z，et al.Rethinking the smaller-norm-less-informative assumption in channel pruning of convolution layers［EB/OL］.［2020-06-02］.https://arxiv.org/abs/1802.00124.
[10]Zhang P，Zhong Y，Li X.SlimYOLOv3:narrower，faster and better for real-time UAV applications［EB/OL］.［2020-06-02］.https://arxiv.org/abs/1907.11093.
[11]Lin T Y.Microsoft COCO:common objects in context［M］// Computer Vision—ECCV 2014.Cham:Springer International Publishing，2014:740-755.
[12]Zheng Z，Wang P，Liu W，et al.Distance-IoU loss:faster and better learning for bounding box regression［EB/OL］.［2020-06-02］.https://arxiv.org/abs/1911.08287.

[1]	庞彦伟，苏畅，龙涛. 自适应构造与聚合多尺度代价体的双目立体匹配[J]. 东北大学学报（自然科学版）, 2023, 44(4): 457-468.
[2]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[3]	李海燕，熊立昌，郭磊，李海江. 基于U-net边缘生成和超图卷积的两阶段修复算法[J]. 东北大学学报（自然科学版）, 2023, 44(3): 331-339.
[4]	杨丹，刘国如，任梦成，裴宏杨. 多尺度卷积核U-Net模型的视网膜血管分割方法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 7-14.
[5]	韩东红，张宏亮，朱帅伟，齐孝龙. 面向新浪微博的情感社区检测算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 21-31.
[6]	原培新，陈鼎夫. 双能X射线高动态范围安检图像压缩算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 96-101.
[7]	魏颖, 徐楚翘, 刁兆富, 李伯群. 基于生成对抗网络的多目标行人跟踪算法[J]. 东北大学学报（自然科学版）, 2020, 41(12): 1673-1680.
[8]	李稷，徐安军. 炼钢车间多天车动态调度仿真方案[J]. 东北大学学报:自然科学版, 2020, 41(12): 1699-1707.
[9]	李占山，吕艾娜. 基于新冗余度的特征选择方法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1550-1556.
[10]	王鑫，王翠荣，王聪，苑迎. 双通道多感知卷积神经网络图像超分辨率重建[J]. 东北大学学报:自然科学版, 2020, 41(11): 1564-1570.
[11]	张春雷，戴丽，刘宇，李鹤. 基于三点法和ICP算法的手术导航系统患者配准[J]. 东北大学学报:自然科学版, 2020, 41(11): 1584-1590.
[12]	陈剑，何涛，闻英友，马林涛. 基于BERT模型的司法文书实体识别方法[J]. 东北大学学报:自然科学版, 2020, 41(10): 1382-1387.
[13]	张田，田勇，王子，王昭东. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报:自然科学版, 2020, 41(9): 1231-1238.
[14]	张丽杰，刘建昌，谭树彬. 复杂建筑火灾中的人员疏散路径多目标规划[J]. 东北大学学报:自然科学版, 2020, 41(6): 761-766.
[15]	赵海，周冰玲，朱宏博，窦圣昶. 基于连续最大流的三维肺实质快速分割算法[J]. 东北大学学报:自然科学版, 2020, 41(4): 470-474.

YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型

YOLOv3-ADS:A Compression Model for Deep Learning Object Detection Based on YOLOv3

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价