基于模块化轻量网络的道路目标检测
计算机视觉与模式识别
2018-11-19 v1
摘要
本文提出一种用于道路目标（如汽车、行人与骑行者）检测的模块化轻量网络模型，尤其适用于这些目标距相机较远且尺寸较小的情形。深度网络已取得巨大进展，但小目标检测仍具挑战性。为解决该问题，多数现有方法采用复杂网络或更大图像尺寸，通常导致更高的计算成本。所提网络模型称为模块化特征融合检测器（MFFD），采用快速高效的网络架构检测小目标。贡献在于以下方面：1）设计了两个基础模块以实现高效计算：前端模块减少原始输入图像的信息损失；更微小模块减小模型尺寸与计算成本，同时保证检测精度。2）通过堆叠基础模块，设计了用于多尺度目标检测的上下文特征融合框架。3）所提方法在模型尺寸与计算成本上高效，适用于资源受限设备，如高级驾驶辅助系统（ADAS）的嵌入式系统。在具挑战性的 KITTI 数据集上与最先进方法的比较揭示了所提方法的优越性。特别地，在 Jetson TX2 等嵌入式 GPU 上可达到 100 fps。
引用
@article{arxiv.1811.06641,
title = {Detecting The Objects on The Road Using Modular Lightweight Network},
author = {Sen Cao and Yazhou Liu and Pongsak Lasang and Shengmei Shen},
journal= {arXiv preprint arXiv:1811.06641},
year = {2018}
}