BABO：用于高效目标检测的背景激活置零
计算机视觉与模式识别
2020-03-24 v2
摘要
深度学习的近期进展使得由多个视觉任务组成的复杂现实用例成为可能，并且检测任务正作为整体工作负载的预处理步骤向边缘侧转移。由于在资源受限设备上运行深度模型具有挑战性，对高效推理方法的技术需求迫切。本文提出一种目标感知的目标检测方法，通过对不存在目标物体的背景区域稀疏化激活值来降低计算成本。稀疏化激活可利用软件或硬件加速的稀疏卷积技术来提升推理速度。为实现该目标，我们在目标检测（OD）网络前接入一个轻量级目标性掩码生成（OMG）网络，使其在输入图像送入 OD 网络前将不必要的背景区域置零。实验中，通过将背景激活值切换为零，即便使用 ReLU 激活，MobileNetV2-SSDLite 上零值的平均比例也从 36% 进一步提升至 68%，同时在 MS-COCO 上保持精度。该结果表明，当仅考虑非零乘加运算时，包含 OMG 和 OD 网络的总 MAC 可降至原始 OD 模型的 62%。此外，我们在重型网络（VGG 和 RetinaNet）及额外数据集（PASCAL VOC）上展示了类似趋势。
引用
@article{arxiv.2002.01609,
title = {BABO: Background Activation Black-Out for Efficient Object Detection},
author = {Byungseok Roh and Han-Cheol Cho and Myung-Ho Ju and Soon Hyung Pyo},
journal= {arXiv preprint arXiv:2002.01609},
year = {2020}
}
备注
14 pages, 6 figures, 7 tables