面向移动部署的紧凑型零售货架分割
计算机视觉与模式识别
2020-04-29 v1
摘要
近年来零售行业自动化的兴起迅速增加了在移动设备上应用深度学习模型的需求。为使深度学习模型在设备端实时运行，紧凑高效网络变得不可或缺。本文研究零售行业中此类常见问题之一——货架分割。货架分割可解释为逐像素分类问题，即每个像素被分类为是否属于可见货架边缘。目标不仅是分割货架边缘，还要将模型部署于移动设备。由于对此类移动端密集分类问题尚无标准解决方案，我们考察可部署于边缘端的语义分割架构。我们修改低占用语义分割架构以执行货架分割。为解决此问题，我们在某些方面修改了著名的 U-net 架构，使其在精度无显著下降的同时适配设备端，且参数减少 15 倍。本文提出轻量分割网络(LWSNet)，一种小巧紧凑的模型，能够在内存受限的设备上快速运行，并可使用较少量(约 100 张图像)的标注数据训练。
引用
@article{arxiv.2004.13094,
title = {Compact retail shelf segmentation for mobile deployment},
author = {Pratyush Kumar and Muktabh Mayank Srivastava},
journal= {arXiv preprint arXiv:2004.13094},
year = {2020}
}
备注
10 pages