本文提出了一种面向异构嵌入式设备的高效物体检测系统解决方案，其中包括量化网络和专门的加速器，并采用分组数据流策略将计算密集型的卷积操作映射到加速器中以提高效率。研究结果显示，在 512x512 输入大小的实际监控视频中，该系统的推理速度可以达到 18 FPS，功耗仅为 6.9W，并在 PASCAL VOC 2012 数据集上实现了 66.4 的 mAP。

Sep, 2019

本文提出了一种基于深度卷积神经网络的实时嵌入式物体检测算法 Tiny SSD，通过高度优化的非均匀 Fire 子网堆栈和高度优化的非均匀 SSD 辅助卷积特征层，将模型大小控制在 2.3MB (~ 比 Tiny YOLO 小 26 倍) 的情况下，仍然能够在 VOC 2007 上实现 61.3％（比 Tiny YOLO 高 4.2％）的 mean average precision (mAP)，结果表明可以为嵌入式场景设计非常小的深度神经网络体系结构以进行实时物体检测。

Feb, 2018

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

本文提出了一个针对自动驾驶中的目标检测任务的全卷积神经网络 SqueezeDet，该网络具有高精度、实时推理速度、小模型尺寸和低能耗等多项优点，在保证准确性的同时，与之前的基线相比，模型尺寸缩小了 30.4 倍，速度快了 19.7 倍，能耗降低了 35.2 倍。

Dec, 2016

TinyissimoYOLO 是一种高度灵活、量化、内存高效、超轻量级的目标检测网络，旨在实现毫瓦级嵌入式微控制器上的实时目标检测；通过量化网络架构实现实时目标检测，最多支持 3 个对象检测类，并可用于不同型号的微控制器。

May, 2023

介绍了一种轻量级的卷积神经网络算法 (LCNN)，通过将分类器的搜索空间缩小到监视视频帧中的人物对象，提出的 LCNN 算法能够在边缘设备上以可承受的计算工作量检测行人.

Apr, 2018

基于现有对象检测器，本论文提出一种新颖的自适应平铺方法，可用于微控制器上，以提高小物体的检测效果，实验证明该方法可将 F1 得分提高 225％，同时将平均物体计数误差降低至 76％，此外，结果还表明使用软 F1 损失函数可以显著减少数据不平衡带来的负面影响，并通过在索尼 Spresense 微控制器上的实验证明了该方法在检测性能、低延迟和内存消耗之间实现平衡。

Nov, 2023

该论文基于深度学习的算法，使用全卷积编码器 - 解码器网络来检测对象轮廓并生成高质量分割对象建议，通过在 PASCAL VOC 和 MS COCO 上进行训练和测试，该算法在较少的候选数情况下相对于基准方法有更高的准确度。

Mar, 2016

本文提出了基于反复卷积结构的在线物体检测模型，并使用瓶颈长短时记忆层来降低计算成本。该模型在移动 CPU 上实现了 15 FPS 的实时推断速度。

Nov, 2017

本文提出了一种轻量级人群密度估计模型（LCDnet）和一个改进的训练方法（CL），并在无人机视频监控中实现了实时计数；实验结果表明，LCDnet 在一定范围内准确性较高，同时显著降低了推理时间和内存需求，可以在计算资源非常有限的边缘设备上部署。

Feb, 2023