为了提高面向遥感图像目标检测的YOLOv3-CS算法的检测速度,提出了一种基于Batcg Normalization(BN)层γ参数的自适应稀疏因子调整算法。以γ作为通道的重要性判断依据对YOLOv3-CS进行剪枝,得到YOLOv3-CSP目标检测模型。实验结果表明,所...为了提高面向遥感图像目标检测的YOLOv3-CS算法的检测速度,提出了一种基于Batcg Normalization(BN)层γ参数的自适应稀疏因子调整算法。以γ作为通道的重要性判断依据对YOLOv3-CS进行剪枝,得到YOLOv3-CSP目标检测模型。实验结果表明,所提剪枝方法在mean Average Precision(mAP)损失仅为0.22%的情况下,使YOLOv3-CS的模型大小压缩了95.92%,检测速度提高了173%。所提YOLOv3-CSP可以应用于检测精度和实时性要求较高的场合。展开更多
文摘为了提高面向遥感图像目标检测的YOLOv3-CS算法的检测速度,提出了一种基于Batcg Normalization(BN)层γ参数的自适应稀疏因子调整算法。以γ作为通道的重要性判断依据对YOLOv3-CS进行剪枝,得到YOLOv3-CSP目标检测模型。实验结果表明,所提剪枝方法在mean Average Precision(mAP)损失仅为0.22%的情况下,使YOLOv3-CS的模型大小压缩了95.92%,检测速度提高了173%。所提YOLOv3-CSP可以应用于检测精度和实时性要求较高的场合。
