基于多框检测脉冲网络的高效暗目标检测进阶策略
计算机视觉与模式识别
2023-10-11 v1 人工智能
摘要
若干深度学习算法在现有目标检测任务上展现惊人性能，但识别较暗物体是最大挑战。且这些技术难以检测或识别速率慢，导致显著性能损失。因此，需改进且精准的检测方法以解上述难题。本研究提出将脉冲与普通卷积层结合的节能可靠目标检测器模型。所提模型分为两部分：第一部分为利用预训练 VGG16 的特征提取器；第二部分为脉冲与普通卷积层结合以检测图像边界框。我们绘制预训练模型分类检测对象。借助先进 Python 库，脉冲层可高效训练。所提脉冲卷积目标检测器（SCOD）在 VOC 与 Ex-Dark 数据集评估：于 VOC-12 检测 20 类物体达 66.01% mAP，于 Ex-Dark 检测 12 类物体达 41.25% mAP。SCOD 前向计算耗 14 Giga FLOPS。实验表明，基于 mAP，SCOD 在 VOC 数据集上优于 Tiny YOLO、Spike YOLO、YOLO-LITE、Tinier YOLO 及基于 Center of loc+Xception 的方法。
引用
@article{arxiv.2310.06370,
title = {Advanced Efficient Strategy for Detection of Dark Objects Based on Spiking Network with Multi-Box Detection},
author = {Munawar Ali and Baoqun Yin and Hazrat Bilal and Aakash Kumar and Ali Muhammad and Avinash Rohra},
journal= {arXiv preprint arXiv:2310.06370},
year = {2023}
}