Mar, 2023

R-TOSS：半结构剪枝实现实时目标检测的框架

PDF
TL;DR本文提出一种名为 R-TOSS 的新型半结构化剪枝框架，可以在不降低检测性能的情况下大幅减少对象检测器的内存使用和计算时间，可以实现可观的压缩和能耗降低并且优于现有剪枝技术。
object detectorsr-tossmodel pruning techniquesinference timeenergy usage
发现论文，激发创造
  • 单帧空间图像自动 RSo 条纹检测的模拟增强基准测试框架

    为了解决巨大的数据缺口和评估方法的挑战，本研究提出了一种模拟增强基准评估框架，以有效地训练和评估深度卷积神经网络探测器对居民空间物体的探测，其中模拟数据和图像分辨率的量是评估探测方法的高准确性和有效性的两个关键因素。

    Apr, 2023

  • 可逆递归实例级对象分割

    本文提出了一种新颖的可逆递归实例级对象分割（R2-IOS）框架，该框架由可逆的提案细化子网络和生成每个提案中主要对象实例的前景蒙版的实例级分割子网络组成，并对其进行迭代优化，通过训练和测试数据确定每个提案所需的最佳细化迭代次数。

    Nov, 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

  • Tiny-DSOD: 资源受限情况下的轻量级物体检测

    本研究提出一种名为 Tiny-DSOD 的基于深度学习的目标检测框架，在保证资源受限的情况下提高检测精度。实验结果表明，Tiny-DSOD 在参数大小、FLOPs 和准确度等三个度量上均优于目前先进的解决方案，具有广泛的应用前景。

    Jul, 2018

  • OSSCAR：一个用于图像和语言模型的单次结构化剪枝方法与组合优化

    本文通过结构剪枝方法在大规模视觉和语言模型中降低推理成本，提出了一种基于组合优化的框架，利用层间重构目标和低秩更新的本地组合优化算法，显著改善了先前方法在视觉模型和语言模型上的性能。

    Mar, 2024

  • DETR 在实时目标检测中击败了 YOLO

    本文提出了第一款实时端到端物体检测器 ——Real-Time DEtection TRansformer（RT-DETR），支持灵活调整推理速度且在速度和准确度上均优于同一规模的 YOLO 检测器以及 DINO-Deformable-DETR-R50 模型，采用了高效的混合编码器处理多尺度特征并提出 IoU 感知的查询选择。

    Apr, 2023

  • DetectoRS: 递归特征金字塔和可切换空洞卷积检测物体

    本文提出了在物体检测中使用深度神经网络的新的骨干设计 —— 递归特征金字塔和可切换空洞卷积，在 COCO test-dev 数据集上实现了目前最先进的表现。

    Jun, 2020

  • 仅需一次训练：一种一次性神经网络训练和剪枝框架

    本研究提出一种新的框架，通过 OPO（只训练一次）将 DNN 网络压缩成性能出色、FLOPs 很小的较瘦的架构， OTO 将两个关键因素组合在一起：（1）将 DNN 网络参数分成零不变组，使我们能够修剪零组而不影响输出；（2）为了促进零组，我们进一步制定了一个结构稀疏最优化问题，并提出了一个新的优化算法 ——HSPG（半空间随机投影梯度），用于解决它。

    Jul, 2021

  • YOLOv10：实时端到端物体检测

    通过消除非极大值抑制（NMS）的依赖性和综合优化 YOLOs 的各个组件，本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10，其在性能和效率方面均取得了最新的成果。

    May, 2024

  • YOLO-MS：实时物体检测的多尺度表示学习再思考

    提供高效且表现良好的目标检测器 YOLO-MS, 基于对不同核大小的卷积如何影响不同尺度物体的检测性能进行一系列研究来实现。新的策略能够大大增强实时目标检测器的多尺度特征表示。在 MS COCO 数据集上训练的 YOLO-MS, 不依赖于其他大规模数据集或预训练权重，在相同参数和 FLOPs 数量下，优于最近的实时目标检测器，包括 YOLO-v7 和 RTMDet。

    Aug, 2023