一种面向实时目标检测的高能效 GPU 计算高效骨干网络
计算机视觉与模式识别
2019-04-23 v1
摘要
由于 DenseNet 通过密集连接聚合具有多样感受野的中间特征，其在目标检测任务上表现出良好性能。尽管特征复用使 DenseNet 能以少量模型参数和 FLOPs 产生强特征，但采用 DenseNet 骨干的检测器速度相当慢且能效低。我们发现密集连接导致的输入通道线性增长带来了沉重的访存开销，从而造成计算负担和更多能耗。为解决 DenseNet 的低效问题，我们提出了一种称为 VoVNet 的能效与计算高效架构，其由一次性聚合（OSA）组成。OSA 不仅采纳了 DenseNet 以多感受野表示多样化特征的优势，还通过仅在最后特征图上聚合一次所有特征克服了密集连接的低效。为验证 VoVNet 作为骨干网络的有效性，我们设计了轻量级和大规模 VoVNet 并将其应用于单阶段和两阶段目标检测器。我们基于 VoVNet 的检测器以 2 倍更快的速度优于基于 DenseNet 的检测器，且能耗降低了 1.6 倍至 4.1 倍。除 DenseNet 外，VoVNet 还以更快速度和更优能效优于广泛使用的 ResNet 骨干。特别地，小目标检测性能较 DenseNet 和 ResNet 有显著提升。
引用
@article{arxiv.1904.09730,
title = {An Energy and GPU-Computation Efficient Backbone Network for Real-Time Object Detection},
author = {Youngwan Lee and Joong-won Hwang and Sangrok Lee and Yuseok Bae and Jongyoul Park},
journal= {arXiv preprint arXiv:1904.09730},
year = {2019}
}
备注
CVPR2019 CEFRL Workshop