MobileDets: 为移动加速器搜索目标检测体系结构
本研究提出了新的 MobileNetV2 架构,通过在多个任务和基准上的性能改进,跨不同模型尺寸范围提高了移动模型的性能;此外,通过称为 SSDLite 的新颖框架来应用这些移动模型进行目标检测;最后,我们构建轻量级的 Mobile DeepLabv3 来进行移动语义分割。
Jan, 2018
本研究提出 MnasFPN 架构搜索空间以及结合基于延迟感知的搜索方法的对象检测模型设计,与 MobileNetV2 体系结构相匹配,优于 MobileNetV3+SSDLite 1.8 mAP,在与 NAS-FPNLite 相比,精度更高 1.0 mAP,速度更快 10%。
Dec, 2019
本文介绍了 MobileNets 这一基于深度可分离卷积的轻量级深度神经网络架构,提出了利用全局超参数在时延和准确性之间平衡的方法,并在图像分类等多个领域进行了广泛实验。
Apr, 2017
本文针对物体检测中精度和效率的平衡问题,研究了关键优化和神经网络结构选择,提出了新的面向移动设备的实时物体检测器,通过多种优化实现了更好的精度和延迟性能的平衡,并优于其他流行模型。
Nov, 2021
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
本研究提出了一种基于传统卷积构建的高效架构 PeleeNet,与 MobileNet 和 MobileNetV2 相比,PeleeNet 在 NVIDIA TX2 上的精度更高且速度超过 1.8 倍,同时模型大小仅为 MobileNet 的 66%。结合 Single Shot MultiBox Detector(SSD)方法,优化 PeleeNet 架构后,我们提出的检测系统 Pelee 在 iPhone 8 上以 23.6 FPS 的速度实现 76.4% 的 mAP 和 125 FPS 的速度实现 22.4 mAP 的 MS COCO 数据集结果,考虑更高的精度、更低的计算成本和更小的模型大小,结果优于 YOLOv2。
Apr, 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 LCDet 的全卷积神经网络,旨在用于嵌入式系统上的对象检测。作者设计并开发了一个端到端的 TensorFlow (TF) 模型,并采用 8 位量化技术。实验结果显示,该模型在保持准确率的同时,将模型大小和内存带宽分别减少了 3 倍和 4 倍,可以在嵌入式系统上实现。
May, 2017
本文提出了一种自动化的移动神经结构搜索(MNAS)方法,该方法将模型延迟明确地纳入主要目标,以便搜索可以识别满足准确性和延迟之间良好平衡的模型, 实验结果表明,该方法在多个视觉任务中始终优于现有的移动卷积神经网络模型,并且实现了更好的 mAP 质量。
Jul, 2018