优化YOLOv3：轻量化目标检测网络设计

"本文提出了一种基于改进的YOLO轻量化网络进行目标检测的方法，针对YOLOv3在嵌入式平台上的应用局限性进行了优化。通过减少参数量和残差层数，同时结合密集连接网络（DenseNet）的空间金字塔池化（Spatial Pyramid Pooling），在保持较高检测精度的同时，提高了检测速度，适用于资源有限的嵌入式环境。实验结果显示，新网络在PASCAL VOC2007和2012数据集上的平均精度超越了YOLOv3tiny，且在计算效率和模型大小方面具有显著优势。" YOLO（You Only Look Once）是一种实时目标检测系统，其最新版本YOLOv3因其在速度和精度上的平衡而受到广泛关注。YOLOv3利用了全卷积网络（FCN）、特征金字塔网络（FPN）和残差网络（ResNet）来提高检测性能，但这些高级结构也增加了对硬件资源的需求，限制了其在嵌入式设备中的应用。为了降低计算复杂度，研究者通常选择YOLOv3tiny，尽管它能减少计算量，但牺牲了检测精度。 本文提出的改进方案是设计一个简化版的YOLOv3网络，保留了FCN、FPN和ResNet的关键特性，以保持特征提取的能力，同时减少了每层的参数数量和残差层数，以此降低模型的复杂度。此外，研究人员还尝试引入了DenseNet的结构，特别是其空间金字塔池化（SPP）模块，这一策略有助于在减少计算量的同时保持较高的特征多样性，从而改善检测效果。 实验部分，新网络在PASCAL VOC2007和2012两个标准数据集上进行了测试，结果证明，改进后的网络不仅在检测速度上远超YOLOv3，而且在平均精度上显著优于YOLOv3tiny。这意味着，即使在资源受限的嵌入式平台上，也能实现高效且准确的目标检测，对于嵌入式设备上的智能视觉应用具有重要意义。 关键词：图像处理、轻量化网络、YOLOv3、密集连接网络、空间金字塔池化、目标检测、嵌入式平台。