Nov, 2023

提升物联网应用中轻量级神经网络对小物体检测的性能

PDF
TL;DR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。
lightweight neural networkscomputer visionsmall objects detectionadaptive tiling methodfomo network
发现论文，激发创造
  • TinyissimoYOLO: 一种量化、低内存占用、适用于低功耗微控制器的小型机器学习目标检测网络

    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

  • 低功耗物体检测的系统级解决方案

    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

  • 小型 SSD：一个用于实时嵌入式对象检测的小型单次拍摄检测深度卷积神经网络

    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

  • 面向物体检测的轻量级卷积神经网络

    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

  • 动态平铺：一种无模型依赖的、自适应的、可扩展的、以推理数据为中心的高效和准确的小物体检测方法

    Dynamic Tiling 是一种自适应和可扩展的模型无关的方法，可用于小物体检测，通过动态瓦片分割和最小化计算量来提高检测准确性，同时适用于各种操作环境，无需繁琐的重新校准，并通过大小过滤机制提高检测质量，实现了效率和准确性的新突破。

    Sep, 2023

  • LCDet: 用于嵌入式系统目标检测的低复杂度全卷积神经网络

    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

  • TinyDet：在轻量级通用检测器中实现精确的小物体检测

    TinyDet 是一个计算量极低的轻量级检测框架，采用高分辨率特征图、稀疏连接卷积、强化骨干网络等策略，解决小目标检测困难的问题，并在 COCO 基准测试中实现 30.3 AP 和 13.5 AP^s 的优异性能。

    Apr, 2023

  • 实时嵌入式对象检测基准测试框架

    本文提出了一种基于 MQTT 协议的轻量级接口框架，可用于测量目标检测性能、运行时间和能量效率，特别适用于限制硬件上的视频流应用，为优化 DNNs 提供深入的见解。

    Apr, 2023

  • PVANET: 实时目标检测的深度轻量级神经网络

    本文介绍了如何在最小化计算成本的同时，通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”，采用了一些基本块，包括拼接 ReLU、Inception 和 HyperNet， 在 VOC2007 上达到 83.8％的 mAP，VOC2012 为 82.5％mAP（第 2 名），仅使用 Intel i7-6700K CPU 单核时，每张图像仅需 750ms，在 NVIDIA Titan X GPU 上为 46ms / 图像，其网络与 ResNet-101 相比，计算成本只需 12.3％。

    Aug, 2016

  • 无人机热图中使用深度学习进行目标检测

    本研究提出了一种神经网络模型，能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头，其中骨干网络基于 YOLOv5 结构，结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性，同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行，结果表明，与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比，本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明，本模型实现了实时计算，并具有超过 90% 的稳定性率。

    Feb, 2024