ПОЛЕГШЕНИЙ АЛГОРИТМ ВИЯВЛЕННЯ ЦІЛЕЙ НА ОСНОВІ MOBILENET CONVOLUTION
Ключові слова:
глибоке навчання, Mobilenet, шар глобального середнього об'єднання, GPU, виявлення цілі
Анотація
Алгоритм виявлення цілі, заснований на глибокому навчанні, потребує високої конфігурації графічного процесора комп’ютера, навіть потребує використання високопродуктивної робочої станції глибокого навчання, це не тільки підвищує вартість, а також значно обмежує реалізованість землі, ця стаття представляє свого роду полегшений алгоритм для виявлення цілей за умови балансової точності та обчислювальної ефективності MobileNet як Backbone виконує параметр Швидкість обробки становить 30 кадрів/с на карті RTX2060 для зображень із шаром розділення CNN. Швидкість обробки становить 30 кадрів в секунду на карті RTX2060 для зображень з роздільною здатністю 320×320.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Howard A G , Zhu M , Chen B , et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Appl. [J]. 2017.
2. Girshick R . Fast R-CNN[J]. Computer Science, 2015.
3. He K , Gkioxari G , P Dollár, et al. Mask R-CNN [C]// IEEE. IEEE, 2017.
4. Redmon J , Farhadi A . YOLO9000: Better, Faster, Stronger[C] // IEEE Conf. on Computer Vision & Pattern Recognition. IEEE, 2017:6517-6525.
5. Redmon J , Farhadi A . YOLOv3: An Incremental Improvement[J]. arXiv e-prints, 2018.
6. He K , Zhang X , Ren S , et al. Deep Residual Learning for Image Recognition[J]. IEEE, 2016.
7. Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2017.
8. Goodfellow I J. Generative Adversarial Networks[J]. Advances in Neural Information Processing Systems, 2014, 3:2672-2680.
9. Technicolor T , Related S , Technicolor T , et al. ImageNet Classification with Deep Convolutional Neural Networks [50].
10. Simonyan K , Zisserman A . Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014.
11. Pang Y , Sun M , Jiang X , et al. Convolution in Convolution for Network in Network[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, PP(99):1587-1597.
12. GoogLenet [J]. Journal of Thesis of Korean Cultural Information Society, 2018, 18.
13. He K , Zhang X , Ren S , et al. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification[C]// CVPR. IEEE Computer Society, 2015.
14. Li H , Xiong P , Fan H , et al. DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020.
15. Wang H , Jiang X , Ren H , et al. SwiftNet: Real-time Video Object Segmentation[J]. 2021.
16. Li Wei,Liu Kai. Confidence-Aware Object Detection Based on MobileNetv2 for Autonomous Driving[J]. Sensors,2021,21(7).
17. Batra Varun,Kumar Vijay. Real-Time Object Detection and Localization for Vision-Based Robot Manipulator[J]. SN Computer Science,2021,2(3).
2. Girshick R . Fast R-CNN[J]. Computer Science, 2015.
3. He K , Gkioxari G , P Dollár, et al. Mask R-CNN [C]// IEEE. IEEE, 2017.
4. Redmon J , Farhadi A . YOLO9000: Better, Faster, Stronger[C] // IEEE Conf. on Computer Vision & Pattern Recognition. IEEE, 2017:6517-6525.
5. Redmon J , Farhadi A . YOLOv3: An Incremental Improvement[J]. arXiv e-prints, 2018.
6. He K , Zhang X , Ren S , et al. Deep Residual Learning for Image Recognition[J]. IEEE, 2016.
7. Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2017.
8. Goodfellow I J. Generative Adversarial Networks[J]. Advances in Neural Information Processing Systems, 2014, 3:2672-2680.
9. Technicolor T , Related S , Technicolor T , et al. ImageNet Classification with Deep Convolutional Neural Networks [50].
10. Simonyan K , Zisserman A . Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014.
11. Pang Y , Sun M , Jiang X , et al. Convolution in Convolution for Network in Network[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, PP(99):1587-1597.
12. GoogLenet [J]. Journal of Thesis of Korean Cultural Information Society, 2018, 18.
13. He K , Zhang X , Ren S , et al. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification[C]// CVPR. IEEE Computer Society, 2015.
14. Li H , Xiong P , Fan H , et al. DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020.
15. Wang H , Jiang X , Ren H , et al. SwiftNet: Real-time Video Object Segmentation[J]. 2021.
16. Li Wei,Liu Kai. Confidence-Aware Object Detection Based on MobileNetv2 for Autonomous Driving[J]. Sensors,2021,21(7).
17. Batra Varun,Kumar Vijay. Real-Time Object Detection and Localization for Vision-Based Robot Manipulator[J]. SN Computer Science,2021,2(3).
Опубліковано
2023-06-09
Як цитувати
Kuchuk Nina Полегшений алгоритм виявлення цілей на основі mobilenet convolution / Nina Kuchuk, Yurii Zdorenko, Wang Shengquan // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 2 (72). – С. 119-124. – doi:https://doi.org/10.26906/SUNZ.2023.2.119.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
