PVANET: 实时目标检测的深度轻量级神经网络

Aug, 2016

PVANET: 实时目标检测的深度轻量级神经网络

PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection

Kye-Hyeon Kim, Sanghoon Hong, Byungseok Roh, Yeongjae Cheon, Minje Park

TL;DR本文介绍了如何在最小化计算成本的同时，通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”，采用了一些基本块，包括拼接 ReLU、Inception 和 HyperNet，在 VOC2007 上达到 83.8％的 mAP，VOC2012 为 82.5％mAP（第 2 名），仅使用 Intel i7-6700K CPU 单核时，每张图像仅需 750ms，在 NVIDIA Titan X GPU 上为 46ms / 图像，其网络与 ResNet-101 相比，计算成本只需 12.3％。

Abstract

This paper presents how we can achieve the state-of-the-art accuracy in multi-category object detection task while minimizing the computational cost by adapting and combining recent technical innovations. Followi

multi-category object detection computational cost cnn feature extraction inception batch normalization

发现论文，激发创造

PVANet：用于实时目标检测的轻量化深度神经网络

该论文提出了一种全新的、比其他最先进的网络轻一个数量级的网络结构，基于更少通道的深度学习原理，通过采用 C.ReLU 和 Inception 结构等技术创新，使这个深度神经网络最小化其冗余，同时在计算成本小于最近的 ResNet-101 的情况下能够高效地训练，从而在知名的目标检测基准测试上实现了 84.9% 和 84.2% 的 mAP。

Nov, 2016

基于多区域和语义分割感知的 CNN 目标检测模型

本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

May, 2015

HyperNet：准确区域提议生成与联合目标检测

本文提出了深层分层网络 HyperNet，以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征，将图像的深层、中间和浅层特征结合在一起，实现了端到端的联合训练策略，并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。

Apr, 2016

面向物体检测的轻量级卷积神经网络

本篇研究提出了一个细节较大的目标检测模型，利用多种轻量级网络进行特征提取，同时采用通道压缩算法提高模型执行速度，在 CPU 上实现准确率仅下降至 91.43 AP 的实时推断。

Jul, 2017

准确物体检测与语义分割的丰富特征层次结构

提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN，它与 CNN 结合起来使用更高的上下文信息，加上有监督的预培训方法，实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。

Nov, 2013

基于区域全卷积网络的物体检测

本论文涉及基于区域的检测器，使用卷积网络实现高效的物体检测，使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题，可自然地采用全卷积图像分类器骨干网进行物体检测，以 101 层残差网络 (ResNet) 在 PASCAL VOC 数据集上取得 83.6% mAP 的竞争性结果，测试时间为每张图像 170ms，比 Faster R-CNN 快 2.5-20 倍。

May, 2016

快速 R-CNN

本文提出了一种用于物体检测的快速区域卷积网络方法（Fast R-CNN），该方法采用了深度卷积神经网络对目标建议进行高效分类，相较于之前的方法，在提高检测精度的同时，大幅提高了训练和测试的速度。

Apr, 2015

ThunderNet：面向实时通用物体检测

本研究针对移动平台上实时通用物体检测这一计算机视觉任务存在的计算成本巨大的问题，调查了两阶段检测器在实时检测方面的有效性，并提出了一个名为 ThunderNet 的轻量级两阶段检测器，相对于单阶段检测器，仅使用了 40％的计算且取得了优越的性能，在 ARM 平台上实现了 24.1fps 的实时检测。

Mar, 2019

DeepID-Net: 多阶段和可形变深度卷积神经网络用于目标检测

本文提出多阶段变形卷积神经网络用于目标检测，使用新的变形约束池化层来建模对象部分的变形，并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型，在 ILSVRC 2014 中排名第二，显著提高了目标检测的平均精度。

Sep, 2014

用于实时物体检测的 Wide-Residual-Inception 网络

本文介绍了一种名为 “宽残差 Inception”（WR-Inception）的神经网络模型，它采用深层和宽层，结构基于残差 Inception 单元，捕获同一要素图上各种大小的对象。为验证该模型的有效性，本文进行了两项实验：在 CIFAR-10 / 100 上的分类任务和在 KITTI 数据集上使用单发多框检测器（SSD）进行路面物体检测任务。

Feb, 2017