DPNET：基于轻量自注意力的双路径高效目标检测网络
计算机视觉与模式识别
2021-11-02 v1
摘要
目标检测常需耗费大量计算以获取满意性能，不利于部署在边缘设备。为应对计算成本与检测精度间的权衡，本文提出一种名为 DPNet 的双路径网络，用于基于轻量自注意力机制的高效目标检测。在骨干网络中，设计了单输入输出的轻量自注意力模块(LSAM)以编码不同位置间的全局交互。LSAM 还被扩展为特征金字塔网络(FPN)中的多输入版本，用于捕获双路径中的跨分辨率依赖。在 COCO 数据集上的大量实验表明，我们的方法取得了最先进的检测结果。更具体地，对于 320x320 图像，DPNet 在 COCO test-dev 上获得 29.0% AP，仅用 1.14 GFLOPs 与 2.27M 模型大小。
引用
@article{arxiv.2111.00500,
title = {DPNET: Dual-Path Network for Efficient Object Detectioj with Lightweight Self-Attention},
author = {Huimin Shi and Quan Zhou and Yinghao Ni and Xiaofu Wu and Longin Jan Latecki},
journal= {arXiv preprint arXiv:2111.00500},
year = {2021}
}