监控场景下基于轻量级卷积神经网络的行人属性识别

• 作者: 胡斌杰 黄仝宇
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 深度学习 轻量级卷积神经网络 深度可分离卷积 倒置残差 行人属性识别
• 年，卷（期）: 2020,（14）
• 所属期刊栏目: 信息技术及图像处理
• 页码范围: 118-122
• 页数: 5页
• 分类号: TP2
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.2004196

摘要

针对面向行人属性识别的传统卷积神经网络模型占用系统资源较多、运行效率较低等问题,通过采用若干个倒置残差模块来构建轻量级卷积神经网络MB-ResNet-Lite的主干网络,使用深度可分离卷积代替标准卷积,以减少模型的计算量;并通过倒置残差模块对特征的维度先扩增后缩减,实现更好地提取特征.为了解决多种行人属性识别的效率问题,所提方法是在共享主干网络之后,采用若干个分支网络进行各自特征的提取,以完成多种行人属性的分类与识别.最后,该算法在自建数据集、单核RK3399平台上进行比对实验.实验结果表明,所提算法MB-ResNet-Lite模型的大小为0.82 M,分别为ResNet18和MobileNet的1.8％和6.3％,明显减小了模型的存储空间;在运行速度上,所提算法模型处理单张图片耗时为25 ms,分别为ResNet-18和MobileNet的18.4％和64.1％,较好地节省了图像处理时间;在内存使用方面,所提算法模型占用内存为21.56 MB,分别为ResNet-18和MobileNet的6.6％和60.0％,有效节省了系统的内存资源.在算法准确率方面,所提算法模型的平均准确率为89.24％,相比MobileNet提高了1.52％,相比ResNet-18略微下降0.86％.结果 表明,所提方法有效地保证行人特征识别的精确度,减少模型的参数量和计算量,确保在低成本硬件平台的运行效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	胡斌杰		53	249	9.0	12.0
2	黄仝宇		2	0	0.0	0.0