面向边缘计算的高效目标检测框架适配: 插件式神经网络工具箱实现边缘部署
计算机视觉与模式识别
2024-12-25 v1
摘要
边缘计算已成为部署基于深度学习的对象检测在时间敏感场景中的关键范式。然而,现有边缘检测方法面临挑战: 1) 难以在检测精度与轻量级模型之间取得平衡, 2) 通用部署设计的适应性有限, 3) 实际场景的验证不足。为此,我们提出了边缘检测工具箱(ED-TOOLBOX),其利用可通用的插件式组件来适配对象检测模型以适应边缘环境。具体而言,我们引入了轻量级 Reparameterized Dynamic Convolutional Network(Rep-DConvNet),其包含加权多形状卷积分支以提升检测性能。此外,我们设计了稀疏交叉注意力(SC-A)网络,其采用局部分图辅助的自注意力机制,可实现精心构建的联合模块以实现自适应特征传递。对于实际应用,我们将高效头部整合到 YOLO 框架中以加速边缘模型优化。为证明实际影响,我们识别到帽子检测中的一个空白——忽略帽檐固定问题,这是一个关键的安全因素——并创建了帽檐检测数据集(HBDD)。通过 ED-TOOLBOX 优化的模型,我们解决了这一实际任务。大量实验验证了 ED-TOOLBOX 的有效性,边缘检测模型在视觉监视仿真场景中超越了六种最先进的方法,实现了实时且精确的性能。这些结果突显了 ED-TOOLBOX 作为边缘对象检测的优越解决方案。
引用
@article{arxiv.2412.18230,
title = {Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment},
author = {Jiaqi Wu and Shihao Zhang and Simin Chen and Lixu Wang and Zehua Wang and Wei Chen and Fangyuan He and Zijian Tian and F. Richard Yu and Victor C. M. Leung},
journal= {arXiv preprint arXiv:2412.18230},
year = {2024}
}