Resumen

Es necesario mejorar el rendimiento del algoritmo de detección de objetos en dispositivos embebidos con recursos limitados mediante una mejora ligera. Con el fin de mejorar aún más la precisión de reconocimiento del algoritmo para los objetos de pequeño tamaño, este trabajo integra un núcleo de convolución profunda desmontable de 5 × 5 sobre la base del modelo MobileNetV2-SSDLite, extrae características de dos capas convolucionales especiales además de detectar el objetivo y diseña una nueva red de detección de objetos ligera: la red de detección microscópica ligera (LMS-DN). La red puede implementarse en dispositivos integrados como NVIDIA Jetson TX2. Los resultados experimentales demuestran que LMS-DN sólo necesita menos parámetros y costes de cálculo para obtener una mayor precisión de identificación y una mayor anti-interferencia que otros modelos de detección de objetos populares.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:objeto pequeño, algoritmo de detección de objetos, modelo de detección de objetos, mayor precisión de identificación, capa convolucional especial, nuevo objeto ligero, nvidia jetson tx2, dispositivo integrado restringido, base de mobilenetv2-ssdlite, red de detección microscópica
• Keywords:small target object, object detection algorithm, object detection model, higher identification accuracy, special convolutional layer, new lightweight object, nvidia jetson tx2, constrained embedded device, basis of mobilenetv2-ssdlite, microscopic detection network