LeYOLO,用于目标检测的新型可扩展高效 CNN 架构
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
在本研究中,我们提出了一种先进的 Gatherand-Distribute 机制(GD 机制),该机制借助卷积和自注意操作实现。我们设计的新模型 Gold-YOLO 在跨所有模型尺度上提升了多尺度特征融合能力并在延迟和准确性之间实现了理想的平衡。此外,我们首次在 YOLO 系列中实现了 MAE 风格的预训练,使得 YOLO 系列模型能够从无监督预训练中受益。Gold-YOLO-N 在 COCO val2017 数据集上取得了出色的 39.9% AP 和在 T4 GPU 上的 1030 FPS,超过了以前的 SOTA 模型 YOLOv6-3.0-N 的相似 FPS +2.4%。
Sep, 2023
该论文提出了一种名为 YOLOF 的对象检测方法,通过只使用一个层级特征来解决优化问题,以达到和 FPN 相关模型相当的效果,但快 2.5 倍,并且可以在不使用 Transformer 层的情况下在单层特征下达到 DETR 的性能,训练时间只需要其 1/7,并且在 2080Ti 上可以达到 60fps。
Mar, 2021
本文介绍了一种针对移动设备的增强轻量级 YOLOv5 技术,用于识别与输电线相关的物体。该方法通过引入 C3Ghost 模块和 FasterNet 模块改进了 YOLOv5 的性能,并采用 wIoU v3 LOSS 损失函数解决了数据集中简单和挑战样本的不平衡问题。实验证明,与现有的 YOLOv5 相比,该模型在检测准确性上提高了 1%,降低了 13% 的 FLOPs,模型参数减少了 26%。而在消融实验中,Fastnet 模块和 CSghost 模块提高了原始 YOLOv5 基准模型的精度,但导致了 [email protected] 度量的下降,而 wIoUv3 损失函数的改进显著减轻了该度量的下降。
Mar, 2024
该论文开发了一种基于 YOLOv3 的新型目标检测器 PP-YOLO,通过结合多种现有技巧,实现了相对平衡的效果和效率,其准确率达到了 45.2%mAP,帧率为 72.9FPS。
Jul, 2020
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
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
提出了一个名为 PE-YOLO 的暗物体检测框架,该框架结合了金字塔增强网络(PENet)和 YOLOv3,并且在训练过程中仅使用普通检测损失简化了训练过程,实验证明,PE-YOLO 能够适应不同的低光条件下的物体检测,实现了 78.0%的平均精度(mAP)和 53.6%的帧率(FPS)。
Jul, 2023
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
使用基于 CSP 方法的 YOLOv4 目标检测神经网络可进行极小至极大规模网络的缩放以及保持最优速度和精度,提出了一种网络缩放方法,其中 YOLOv4-large 模型在 Tesla V100 上以~16 FPS 的速度实现了 55.5% AP(73.4%AP50)的 MS COCO 数据集的最新结果,实现了 1774 FPS 的速度。通过使用 TensorRT,批量大小 = 4 和 FP16 精度,YOLOv4-tiny 实现了 22.0%AP(42.0%AP50)。
Nov, 2020