【技术实现步骤摘要】
本申请涉及深度学习领域，特别是涉及一种低算力的实时目标检测模型的构建方法及装置。
技术介绍
1、目前，基于深度学习的目标检测识别方法已经成为了实现自动化检测、智能识别的主流，特别是yolo系列的目标检测框架已经广泛应用到交通、工业和军事等领域，在invidia显卡的支持下，各种基于深度学习的目标检测识别算法都有出色的应用和性能表现，yolo算法的更新换代也是朝着轻量化、高精度的方向前进，但是，由于最新的yolov8、yolov9、yolov10等网络模型的网络结构使用silu作为激活函数，且后处理用到了dfl（distribution focal loss）来计算检测框，而dfl和yolov10中的注意力头中都含有softmax算子，使得模型的计算量大提高，所以需要使用高端的invidia显卡才能支持实时检测运算，而高端invidia显卡价格昂贵，并不是普通大众的常规选择。
2、所以，如何对最新的yolo算法进行改进，使其可以在低算力的情况下依然能够进行实时、精确的目标检测是现有技术亟需解决的难题。
<
【技术保护点】
1.一种低算力的实时目标检测模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种低算力的实时目标检测模型的构建方法，其特征在于，所述空间池化子模型中使用第一池化卷积层对尺度最小的子特征图进行卷积后分别输入到并联的第二池化卷积层、最大池化层以及平均池化层中，将第一池化卷积层、第二池化卷积层、最大池化层以及平均池化层的输出特征进行拼接后输入到第三池化卷积层中得到池化特征图。
3.根据权利要求2所述的一种低算力的实时目标检测模型的构建方法，其特征在于，在“对池化特征图进行通道注意力的处理得到空间池化结果”步骤中，在空间池化子模型后...
【技术特征摘要】
1.一种低算力的实时目标检测模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种低算力的实时目标检测模型的构建方法，其特征在于，所述空间池化子模型中使用第一池化卷积层对尺度最小的子特征图进行卷积后分别输入到并联的第二池化卷积层、最大池化层以及平均池化层中，将第一池化卷积层、第二池化卷积层、最大池化层以及平均池化层的输出特征进行拼接后输入到第三池化卷积层中得到池化特征图。
3.根据权利要求2所述的一种低算力的实时目标检测模型的构建方法，其特征在于，在“对池化特征图进行通道注意力的处理得到空间池化结果”步骤中，在空间池化子模型后设置注意力模块，所述注意力模块包括通道注意力单元与前馈网络单元，将池化特征图输入到注意力模块中顺序经过通道注意力单元与前馈网络单元得到空间池化结果。
4.根据权利要求3所述的一种低算力的实时目标检测模型的构建方法，其特征在于，池化特征图在注意力模块中先经过第一注意卷积层得到第一注意卷积结果，对所述第一注意卷积结果进行通道特征分离得到第一分离特征与第二分离特征，所述第一注意卷积结果经过所述通道注意力单元后再与所述第一分离特征进行残差连接得到第一残差结果，第一残差结果经过所述前馈网络单元后再与所述第一残差结果进行残差连接得到第二残差结果，所述第二残差结果与第二分离特征进行拼接后由经过第二注意卷积层输出得到空间池化结果。
5.根据权利要求3所述的一种低算力的实时目标检测模型的构建方法，其特征在于，所述通道注意力单元包括全局平均池化层以及全连接层，所述全局平均池化层对所述第一注意卷积结果进行池化处理得到全局平均池化结果，所述全局平均池化结果在全连接层...
【专利技术属性】
技术研发人员：欧佳豪，曲成龙，
申请(专利权)人：杭州芯正微电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。