FemtoDet：面向能耗与性能折中的目标检测基线
计算机视觉与模式识别
2023-08-15 v5
摘要
针对边缘设备的高效检测器通常针对参数量或速度计数指标进行优化，而这些指标与检测器的能耗仅存在弱相关性。然而，卷积神经网络的一些视觉应用（例如常开监控摄像头）对能耗限制要求极高。本文旨在通过从两个视角设计检测器以实现能耗与性能之间的折中，从而作为一个基线：1) 我们广泛分析了各种 CNN 以识别低能耗架构，包括选择激活函数、卷积算子以及颈部特征融合结构。这些在以往工作中被低估的细节严重影响了检测器的能耗；2) 为了突破能耗与性能的困境问题，我们利用发现的低能耗组件提出了一种由能耗驱动的平衡检测器，命名为 \textit{FemtoDet}。除了新颖的结构构建外，我们还通过考虑卷积和训练策略优化来改进 FemtoDet。具体而言，我们开发了一种用于卷积优化的新型实例边界增强（IBE）模块，以克服 CNN 容量有限与检测任务在多样化空间表示之间的矛盾，并提出了一种递归热重启（RecWR）用于优化训练策略，通过考虑流行数据增强中产生的数据偏移来逃离轻量级检测器的次优解。最终，仅有 68.77k 参数的 FemtoDet 在 PASCAL VOC 上实现了 46.3 AP50 的竞争性分数，并在 Qualcomm Snapdragon 865 CPU 平台上达到了 1.11 W 64.47 FPS。在 COCO 和 TJU-DHD 数据集上的大量实验表明，所提出的方法在多样化场景中取得了具有竞争力的结果。
引用
@article{arxiv.2301.06719,
title = {FemtoDet: An Object Detection Baseline for Energy Versus Performance Tradeoffs},
author = {Peng Tu and Xu Xie and Guo AI and Yuexiang Li and Yawen Huang and Yefeng Zheng},
journal= {arXiv preprint arXiv:2301.06719},
year = {2023}
}
备注
ICCV 2023