DPNet：用于轻量注意力实时目标检测的双路径网络
最优化与控制
2025-03-11 v2 计算金融
投资组合管理
摘要
压缩高精度卷积神经网络 (CNNs) 的近期进展在实时目标检测方面取得了显著进步。为加速检测速度，轻量检测器通常采用少卷积层的单路径骨干网络。然而，单路径架构涉及连续的池化与下采样操作，常导致粗糙且不准确的、不利于目标定位的特征图。另一方面，由于网络容量有限，近期轻量网络往往难以表征大规模视觉数据。为解决这些问题，本文提出一种称为 DPNet 的双路径网络，采用轻量注意力机制用于实时目标检测。双路径架构使我们能够并行提取高层语义特征与低层目标细节。尽管 DPNet 相较单路径检测器形状近乎翻倍，其计算成本与模型大小并未显著增加。为增强表征能力，设计了轻量自相关模块 (LSCM) 以捕获全局交互，仅引入极少计算开销与网络参数。在 neck 中，LSCM 扩展为轻量互相关模块 (LCCM)，捕获相邻尺度特征间的相互依赖。我们在 MS COCO 与 Pascal VOC 2007 数据集上进行了详尽实验。实验结果表明 DPNet 在检测精度与实现效率间取得了 SOTA 的权衡。具体而言，DPNet 在 MS COCO test-dev 上达到 30.5% AP，在 Pascal VOC 2007 测试集上达到 81.5% mAP，同时模型大小近 2.5M，1.04 GFLOPs，对两数据集 320 x 320 输入图像分别达到 164 FPS 与 196 FPS。
引用
@article{arxiv.2209.13932,
title = {Efficient and Near-Optimal Online Portfolio Selection},
author = {Rémi Jézéquel and Dmitrii M. Ostrovskii and Pierre Gaillard},
journal= {arXiv preprint arXiv:2209.13932},
year = {2025}
}
备注
48 pages; to appear at Mathematics of Operations Research