构建基于 FLIM 的轻量级 CNN 及自适应解码用于目标检测
图像与视频处理
2023-10-06 v2 计算机视觉与模式识别
摘要
最先进的（SOTA）目标检测方法已在若干应用中取得成功，但代价是依赖重量级神经网络，这使得它们在许多具有计算资源限制的应用中效率低下且不可行。本工作提出一种方法，通过用户在代表性图像判别区域上绘制的标记逐层构建用于目标检测的卷积神经网络（CNN）。我们以粪便样本显微图像中曼氏血吸虫虫卵的检测，以及卫星图像中船只的检测作为应用示例。我们能够从极少量输入图像出发，无需反向传播创建轻量级 CNN。我们的方法利用近期的方法论——图像标记特征学习（FLIM），从标记像素构建卷积特征提取器（编码器）。我们将 FLIM 扩展以包含单层自适应解码器，其权重随输入图像变化——这一理念此前从未在 CNN 中探索过。我们的 CNN 重量比 SOTA 目标检测器轻数千倍，适合 CPU 执行，并在五项指标上展现出优于或等同于三种方法的性能。
引用
@article{arxiv.2306.14840,
title = {Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection},
author = {Leonardo de Melo Joao and Azael de Melo e Sousa and Bianca Martins dos Santos and Silvio Jamil Ferzoli Guimaraes and Jancarlo Ferreira Gomes and Ewa Kijak and Alexandre Xavier Falcao},
journal= {arXiv preprint arXiv:2306.14840},
year = {2023}
}