在轨光学目标检测模型轻量化研究
目前应用广泛的神经网络模型结构复杂、参数量大,对星上有限的计算和存储资源占用较多.本文面向微纳卫星在轨计算平台,提出一种深度可分离卷积神经网络模型,该模型结合反向残差结构与通道注意力的思路改进在轨识别算法Yolov4网络模型结构,改进网络模型的局部模块结构,降低整体网络结构的深度与复杂度;同时利用可分离卷积结构实现空间卷积,改进SPP模块与PANet模块,降低模型参数量;通过合并卷积层与Batch Normalization层,进一步加快前向推理速度;此外借鉴Focal损失函数的思想,改进目标检测网络的损失函数,减缓前景与背景样本比例不均衡问题.通过与原Yolov4网络模型对比,在保证识别精度94.09%的前提下参数量降低约7倍,FLOPs降低约30倍.同时与Yolo系列、SSD、MobileNet、CenterNet等前沿网络模型对比的实验结果再一次验证了本文的算法性能,为实现在轨目标识别与过滤无用数据提供了理论支撑.
遥感、卷积神经网络、Yolov4、在轨目标检测、反向残差结构
28
TP391.4;P2(计算技术、计算机技术)
2024-06-11(万方平台首次上网日期,不代表论文的发表时间)
共11页
1041-1051