Lightweight model for On-Orbit optical object detection
- “针对微纳卫星在轨计算平台上的目标识别问题,研究团队提出了一种深度可分离卷积神经网络模型。该模型通过改进Yolov4网络结构,降低了整体网络结构的深度与复杂度,并利用可分离卷积结构减少模型参数量。同时,通过合并卷积层与Batch Normalization层,进一步加快了前向推理速度。此外,研究团队还借鉴Focal损失函数的思想,改进了目标检测网络的损失函数,以缓解前景与背景样本比例不均衡的问题。与原Yolov4网络模型相比,新模型在保证94.09%识别精度的前提下,参数量降低了约7倍,FLOPs降低了约30倍。此外,通过与Yolo系列、SSD、MobileNet、CenterNet等前沿网络模型的对比实验,进一步验证了新模型的算法性能。这一研究成果为实现在轨目标识别与过滤无用数据提供了理论支撑,有助于推动微纳卫星在轨计算平台的技术进步和应用拓展。”
- Vol. 28, Issue 4, Pages: 1041-1051(2024)
Published: 07 April 2024
DOI: 10.11834/jrs.20221556
扫 描 看 全 文