MKNet: Adaptive Kernel Mixing Depthwise Convolution for Lightweight Object Detection

Keng Lek See

doi:10.1109/jiot.2026.3725353

MKNet: Adaptive Kernel Mixing Depthwise Convolution for Lightweight Object Detection

2026-08-20

0

PRE

AI

DOI：10.1109/jiot.2026.3725353

原文链接

原文求助

摘要

En 中文

轻量级目标检测在资源受限环境（如嵌入式系统和边缘设备）中的部署日益重要，因为它能够实现即时决策、降低数据传输延迟并提高实际操作的可靠性。尽管近期轻量级检测器通过深度可分离卷积、通道分组和结构简化来降低模型复杂度，但这些策略往往削弱了跨通道交互和上下文特征表示，导致复杂场景下性能下降。为解决此问题，本文提出了一种新颖的轻量级目标检测架构MKNet，在保持参数高效性的同时增强了空间多样性和特征交互。具体而言，我们引入了自适应核混合深度可分离（AKMixDW）模块，通过多核深度可分离滤波丰富空间表示，在参数量不显著增长的情况下提升上下文建模能力。此外，集成了部分标准卷积机制，在紧凑结构约束下强化跨通道交互，缓解轻量级设计中常见的表示局限性。在基准数据集上的大量实验表明，所提方法在准确率与效率之间取得了优于现有轻量级基准的权衡。MKNet以1.99M参数和7.8 GFLOPs实现了46.9% mAP@0.5和31.6% mAP@0.5:0.95，并在NVIDIA Jetson Orin Nano上达到43.66 FPS。消融研究进一步验证了各组件在提升检测鲁棒性的同时保持快速推理能力的有效性。所提框架为平衡检测性能与参数效率提供了实用部署场景下的有效途径。

Keyword:

Deep Learning

Lightweight object detection

YOLO

MobileNetV3

MKNet: Adaptive Kernel Mixing Depthwise Convolution for Lightweight Object Detection

摘要

期刊

机构

引用论文