本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率,提出多个优化方案,包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法,成功开发了名为 EfficientDet 的新一代目标检测器,拥有更高的性能和更小的计算量。
Nov, 2019
提出知识转移方法来辅助训练二值权重神经网络,以实现自动驾驶的实时目标检测,通过该方法可以在保持高检测准确率的同时,将 DarkNet-YOLO 和 MobileNet-YOLO 的模型大小分别从 257 MB 和 193 MB 压缩为 8.8 MB 和 7.9 MB。
Apr, 2018
本篇论文提出一系列工程技术来改善二值化神经网络的准确性,包括更合适的激活函数、反向初始化、渐进式量化、网络叠加等,并在人体姿态估计和 ImageNet 大规模图像识别任务中验证了其优越性。此外,还首次探讨了二值化神经网络和知识蒸馏相结合的效果。
Apr, 2019
本文介绍了一种名为 DIR-Net 的神经网络二值化方法,通过改进内部传播和引入外部表示来保留神经网络信息;采用信息最大化二值化(IMB)、分布敏感二段估计器(DTE)和表示对齐二值化感知蒸馏(RBD)等三项技术,该方法在 ResNet、VGG、EfficientNet、DARTS 和 MobileNet 等主流紧凑体系结构下实验表现优异,可在实际资源受限设备上实现存储节省和加速优化。
Sep, 2021
通过提出一种新的单次检测框架 BPN,采用双向金字塔特征结构和级联锚点细化,实现了更精确的目标检测,提高了单级物体检测器在 PASCAL VOC 和 MS COCO 数据集上的性能,特别是在高质量检测方面。
Mar, 2018
提出了一种密集物体检测器 IQDet,它使用实例级采样策略来自动选择质量高的样本,并在 MS COCO 数据集上实现了超越现有最先进的单级检测器的结果。
Apr, 2021
利用网络二值化和知识蒸馏机制加快多任务密集预测模型的速度,同时保持甚至提高模型性能。
May, 2024
本文针对量化后检测转换器(Q-DETR)信息失真问题提出分布矫正蒸馏方法(DRD),该方法可优化查询分布使熵最大化,在上层引入前景感知查询匹配策略最小化条件熵。实验表明,该方法在 COCO 数据集上,4-bit Q-DETR 可加速与 ResNet-50 骨干网一起使用的 DETR,速度提高 6.6 倍,AP 值达到 39.4%,性能仅存在 2.6%的差距。
Apr, 2023
本文介绍了一种使用对比学习和最大化互信息的方法来使用二进制神经网络实现更好的分类和分割结果,以减少因为二值化操作而导致的信息丢失。
Jul, 2022
本文提出了一个新的针对目标检测任务的骨干网络 DetNet,该网络特别设计用于目标检测任务,并包括针对传统分类网络的额外层,同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。