FasterX:基于边缘GPU的面向无人机应用的实时目标检测
计算机视觉与模式识别
2022-09-08 v1 网络与互联网体系结构
摘要
由于作为物联网(IoT)节点的边缘GPU设备计算资源有限,无人机(UAV)上的实时目标检测是一个具有挑战性的问题。为解决该问题,本文提出一种基于YOLOX模型的新型轻量级深度学习架构FasterX,用于边缘GPU上的实时目标检测。首先,我们设计了一个有效且轻量的PixSF检测头以替换YOLOX原始检测头,从而更好地检测小目标,该检测头可进一步嵌入深度可分离卷积(DS Conv)以实现更轻量的检测头。然后,在Neck层开发了称为SlimFPN的更纤细结构,以减少网络参数量,这是精度与速度之间的权衡。此外,我们在Head层嵌入注意力模块以提升预测头的特征提取效果。同时,我们还改进了标签分配策略与损失函数,以缓解无人机数据集的类别不平衡与边界框优化问题。最后,提出辅助检测头用于在线蒸馏,以提升PixSF检测头的位置嵌入与特征提取能力。我们的轻量模型性能在NVIDIA Jetson NX与Jetson Nano GPU嵌入式平台上进行了实验验证。大量实验表明,在VisDrone2021数据集上,FasterX模型相比最先进模型实现了更好的精度与延迟权衡。
引用
@article{arxiv.2209.03157,
title = {FasterX: Real-Time Object Detection Based on Edge GPUs for UAV Applications},
author = {Wei Zhou and Xuanlin Min and Rui Hu and Yiwen Long and Huan Luo and JunYi},
journal= {arXiv preprint arXiv:2209.03157},
year = {2022}
}
备注
12 pages, 7 figures