DSFEC：高效且可部署的深度雷达目标检测
计算机视觉与模式识别
2024-12-11 v1 人工智能
机器学习
摘要
将雷达目标检测模型部署在树莓派等资源受限的边缘设备上，由于模型体积庞大以及树莓派计算能力和内存有限，面临重大挑战。本工作中，我们探索了深度可分离卷积在雷达目标检测网络中的效率，并将其集成到模型中。此外，我们引入了一种新颖的特征增强与压缩（FEC）模块到 PointPillars 特征编码器中，以进一步提升模型性能。基于这些创新，我们提出了 DSFEC-L 模型及其两个版本，在 nuScenes 数据集上超越了基线（汽车类别 23.9 mAP，20.72 GFLOPs）：1）一个高效的 DSFEC-M 模型，性能提升 14.6%，GFLOPs 减少 60%。2）一个可部署的 DSFEC-S 模型，性能提升 3.76%，GFLOPs 显著减少 78.5%。尽管性能提升幅度有限，但我们的可部署模型在树莓派上的运行时间相比基线实现了令人印象深刻的 74.5% 的减少。
引用
@article{arxiv.2412.07411,
title = {DSFEC: Efficient and Deployable Deep Radar Object Detection},
author = {Gayathri Dandugula and Santhosh Boddana and Sudesh Mirashi},
journal= {arXiv preprint arXiv:2412.07411},
year = {2024}
}