ShuffleDet:嵌入式无人机实时车辆检测网络
我们提出了 ShuffleSeg,这是一种基于分组卷积和通道混洗的有效分割网络,它采用 Skip 架构作为解码方法,在速度和准确性之间达到了最佳的折中,通过利用分辨率更高的特征图进行更准确的分割,它在 CityScapes 测试集上的平均交集联合达到了 58.3%,并且在 NVIDIA Jetson TX2 上的运行帧率为 15.7,非常适合实时应用。
Mar, 2018
本研究通过使用高级技术(如 Group Convolution、ShuffleNetV2 和 Vision Transformer),优化了 YOLOv7 算法,减小了模型的参数数量和内存使用,并简化了网络架构,从而在资源受限的设备上加强了实时物体检测的能力。实验结果表明,经过改进的 YOLO 模型表现出卓越的性能,在保持卓越的检测准确度的同时,显著提高了处理速度。
Mar, 2024
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
本论文介绍通过通道剪枝和 L1 正则化实现深度物体探测器的学习,从而获得适用于 UAV 平台的实时目标检测器 SlimYOLOv3,其对比 YOLOv3 具有更少的可训练参数、更低的浮点运算次数和参数大小、更快的运行速度和相当的检测准确率。
Jul, 2019
我们推出了一种名为 ShuffleNet 的极度计算效率的卷积神经网络体系结构,专门为计算能力非常有限(例如 10-150 MFLOPs)的移动设备设计。该体系结构利用了两个新操作,即逐点组卷积和通道混洗,以大大降低计算成本,同时保持准确性。在 ImageNet 分类和 MS COCO 对象检测方面的实验表明,ShuffleNet 的性能优于其他结构,在 40 MFLOPs 的计算预算下,Top-1 错误率(绝对 7.8%)低于近期 MobileNet 的 ImageNet 分类任务。在基于 ARM 的移动设备上,ShuffleNet 实现了与 AlexNet 相比约 13 倍的实际加速,同时保持可比的准确性。
Jul, 2017
通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本,我们的研究项目旨在创建和验证一个先进的深度学习框架,能够处理复杂视觉输入,以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的,在行人识别方面具有很高的准确性和鲁棒性。研究结果表明,该模型能够显著提高交通监控和安全性,成为计算机视觉领域实时可靠检测的重要贡献,并为交通管理系统建立了新的基准。
Apr, 2024
提出一种统一的流水线架构,用于 UAV 上的嵌入式系统的实时检测系统,可在自主勘测和活动报告等 UAV 应用中利用领域特定知识进行空中行人检测和活动识别。
May, 2023
本论文研究了基于无人机交通视频的实时车辆检测和城市交通行为分析系统。通过使用无人机收集交通数据,并结合 YOLOv8 模型和 SORT 跟踪算法,在 iOS 移动平台上实现对象检测和跟踪功能。使用动态计算方法实时处理性能,计算车辆的微观和宏观交通参数,并进行实时的交通行为分析和可视化。实验结果显示,车辆对象检测的准确率达到 98.27%、召回率达到 87.93%,实时处理能力稳定在每秒 30 帧。这项工作将无人机技术、iOS 开发和深度学习技术整合在一起,将交通视频采集、目标检测、目标跟踪和交通行为分析功能集成到移动设备上,为轻量级交通信息收集和数据分析提供了新的可能性,并为交通管理部门改善道路交通状况分析效率和解决交通问题提供了创新的解决方案。
Feb, 2024
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