计算机工程

作者：江枭宇, 李忠兵, 张军豪, 彭娇, 文婷

单位：西南石油大学 电气信息学院, 成都 610500

关键词：车辆检测,深度可分离卷积,深度学习,Tiny-YOLO网络,嵌入式设备

基金：教育部产学合作协同育人项目（201801006095）；四川省大学生创新创业训练计划项目（201810615094）。

基于深度学习的车辆检测方法准确率较高，其在性能卓越的计算机与图形处理器设备上实时性较好，但在性能相对较低的嵌入式设备上实时性较差。在改进Tiny-YOLO网络的基础上，提出一种利用NCS2神经计算棒的嵌入式车辆检测方法。采用深度可分离卷积替换Tiny-YOLO网络标准卷积降低计算量，去除池化层并使用全卷积层以保留低级特征信息，采用Tensorflow深度学习框架训练改进的Tiny-YOLO网络，并将其部署到配备NCS2神经计算棒的嵌入式设备上。实验结果表明，与原始Tiny-YOLO网络相比，改进Tiny-YOLO网络检测实时性提高1倍，在MS COCO和VOC2007数据集上平均检测准确率分别提升1.12和0.23个百分点，配备NCS2神经计算棒后该方法检测的每秒传输帧数达到12，实时性较原始Tiny-YOLO网络大幅提高。

来源：2021年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2021年第3期