目标检测论文解读复现之二：基于改进YOLOv5的轻量化航空目标检测方法

目标检测论文解读复现

---

前言

此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

为解决硬件平台资源受限条件下的实时航空目标检测需求，在基于改进YOLOv5的基础上，提出了一种针对移动端设备／边缘计算的轻量化航空目标检测方法。首先以MobileNetv3为基础搭建特征提取网络，设计通道注意力增强结构MNtECA提高特征提取能力；其次在深度可分离卷积层增加１×１的卷积，在减少卷积结构参数的同时提高网络的拟合能力；最后对检测网络进行迭代通道剪枝实现模型压缩和加速。实验选取DIOR数据集进行训练和测试，并在嵌入式平台（ NVIDIAJetsonXavierNX ）对轻量级模型进行推理验证。结果表明，所提出的轻量级模型大幅降低了参数和计算量，同时具有较高精度，实现了移动端设备/边缘计算的实时航空目标检测。

二、网络模型及核心创新点

创新点：
1.　以MobileNetv3为基础搭建特征提取网络，设计通道注意力增强结构MNtECA提高特征提取能力；
2.　在深度可分离卷积层增加１×１的卷积，在减少卷积结构参数的同时提高网络的拟合能力；
3. 对检测网络进行迭代通道剪枝实现模型压缩和加速。

三、应用数据集

实验选择DIOR数据集中的九类目标进行模型性能测试和验证，包括火车站、立交桥、烟囱、储罐、港口、飞机、水坝、机场和桥，目标特征多样且环境复杂。实验以Pytorch为软件框架，模型训练硬件环境为Intel® Ci9TM 9940和４块NVIDIART×2080Ti，模型测试硬件环境为NVIDIAGTX1060，并在NVIDIAJetsonXavierNX 上开展模型推理实验。

四、实验效果（部分展示）

1.在原始YOLOv5网络的基础上进行结构轻量化改进，下面对改进的不同网络结构性能进行比较，如表所示。

2.在网络结构轻量化设计的基础上，本文采用迭代通道剪枝对轻量化模型进一步压缩。利用稀疏网络筛选冗余连接，减少网络复杂度。模型压缩后对网络进行微调，实验结果如表所示。

五、实验结论

实验结果表明，在模型压缩之后网络准确率仅下降1.9％，但参数量和计算量大幅减少，分别降低71.1％和66.9％，有效提高了模型对移动设备的适应性。新的轻量化模型结构更加精简，复杂度显著降低，加快了模型的检测速度，实现了无人机等计算和存储能力受限平台的航空影像目标实时检测。

六、投稿期刊介绍

注：论文原文出自杨小冈，高凡，卢瑞涛等，基于改进YOLOv5的轻量化航空目标检测方法.火箭军工程大学导弹工程学院，陕西西安710025.
解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。